<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Emirhan Karadağ on Medium]]></title>
        <description><![CDATA[Stories by Emirhan Karadağ on Medium]]></description>
        <link>https://medium.com/@emirhankaradag?source=rss-b1e1736f0705------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*JCm6zrpaFSavIEfPtYagsg.jpeg</url>
            <title>Stories by Emirhan Karadağ on Medium</title>
            <link>https://medium.com/@emirhankaradag?source=rss-b1e1736f0705------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 17:59:13 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@emirhankaradag/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Bir AI Ajanı “Güvenilir” Nasıl Olur? BI Tarafından Bir Bakış]]></title>
            <link>https://medium.com/@emirhankaradag/bir-ai-ajan%C4%B1-g%C3%BCvenilir-nas%C4%B1l-olur-bi-taraf%C4%B1ndan-bir-bak%C4%B1%C5%9F-aaefc99fb102?source=rss-b1e1736f0705------2</link>
            <guid isPermaLink="false">https://medium.com/p/aaefc99fb102</guid>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[sql]]></category>
            <dc:creator><![CDATA[Emirhan Karadağ]]></dc:creator>
            <pubDate>Tue, 22 Sep 2026 11:22:16 GMT</pubDate>
            <atom:updated>2026-09-22T11:31:43.165Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Fz6SzF3gvrSPOmTIz2aQew.png" /></figure><h4><strong>Bir AI Ajanını Nasıl “Güvenilir” Hale Getirdim</strong></h4><p>Şirketimizde satış ve stok verilerini takip eden bir AI ajanı kurduk geçenlerde. “Yapay zeka verini analiz ediyor” lafını duyan herkesin kafasında aynı soru beliriyor: ya yanlış anlarsa? Bu yazıda o soruyu nasıl çözmeye çalıştığımızı anlatacağım, mümkün olduğunca mühendislik jargonundan uzak durarak.</p><h4><strong>Önce şunu netleştirelim: ajan ile chatbot aynı şey değil</strong></h4><p>Chatbot’a bir şey sorarsın, cevap verir, iş biter. Ajan öyle çalışmıyor; kendi başına gözlem yapıyor, karar veriyor, gerektiğinde de bir şey yapıyor — sen sormadan. “Stok azaldı, tedarik ekibine haber ver” gibi bir işi, kimse tetiklemeden sistem kendisi fark edip halledebiliyor.</p><p>BI tarafında bunun anlamı şu: eskiden raporlara ben bakıp anormalliği fark ediyordum, şimdi bunu ajan yapıyor. Benim işim de değişti — artık ajanın neyi ne zaman fark edeceğini, ne zaman durup bana soracağını tasarlamak oluyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OEeydsd0eBVRUqnVMitBjg.png" /></figure><h4>Ajan veriye nasıl erişiyor</h4><p>En sık sorulan soru bu. Ajan veritabanına doğrudan SQL yazmıyor; bu bize göre fazla riskli, çünkü LLM’ler ara sıra hatalı sorgu üretebiliyor. Onun yerine önceden yazılmış, test edilmiş fonksiyonları çağırıyor. Basitleştirilmiş hali böyle:</p><pre># Ajanın kullanabileceği &quot;araçlar&quot; (tools)<br>def get_stock_level(product_id):<br>    &quot;&quot;&quot;Belirli bir ürünün güncel stok seviyesini döner&quot;&quot;&quot;<br>    ...<br><br>def get_sales_velocity(product_id, days=7):<br>    &quot;&quot;&quot;Son N gündeki satış hızını döner&quot;&quot;&quot;<br>    ...<br><br>def suggest_reorder(product_id, quantity):<br>    &quot;&quot;&quot;Tedarik ekibine sipariş önerisi gönderir (onay gerektirir)&quot;&quot;&quot;<br>    ...<br><br># Ajan bu araçları sırayla çağırıp karar verir:<br># 1. get_stock_level(&quot;SKU123&quot;) -&gt; 12 adet kaldı<br># 2. get_sales_velocity(&quot;SKU123&quot;) -&gt; günde 5 adet satılıyor<br># 3. Sonuç: 2.4 günde tükenecek -&gt; suggest_reorder() tetiklenir</pre><p>Kritik nokta şu: ajan hiçbir zaman ham veriye dokunmuyor, sadece bizim tanımladığımız güvenli fonksiyonları çağırıyor. Yani aslında konuşan ajanın “yaratıcılığı” değil, bizim çizdiğimiz sınırlar.</p><h4><strong>Her aksiyon aynı özgürlüğe sahip değil</strong></h4><p>Yukarıdaki akış tam olarak bunu gösteriyor aslında. Aksiyonları iki kategoriye ayırdık. Geri alınabilir, düşük tutarlı, düşük etkili işleri otomatik bıraktık — Slack’e uyarı göndermek, haftalık özeti mail atmak gibi. Geri alınamaz ya da operasyonel etkisi büyük olan işler ise (belli bir tutarın üzerindeki siparişleri açmak, bir müşteri hesabını askıya almak gibi) mutlaka bir insana gidiyor.</p><p>Pratikte bu, “insana giden aksiyon” ajanın kararı otomatik uygulamak yerine bir onay kartı oluşturması demek (bizde bu bir Slack mesajı olarak düşüyor — önerilen aksiyon, gerekçesi ve tek tık onay/red seçeneğiyle birlikte). Onaylanmazsa ajan bunu not alıyor ve bir dahaki sefere benzer durumda biraz daha temkinli davranıyor.</p><p>Bu ayrımı yapmazsanız iki şeyden biri oluyor: ya ajan fazla özgür kalıp hata yapıyor, ya da her adımda insana danışıp hiçbir hız kazancı sağlamıyorsunuz. Doğru denge işin risk seviyesine göre ayarlanmalı.</p><h4><strong>Peki gerçekten işe yarıyor mu?</strong></h4><p>Kısmen, ve sürekli ince ayar istiyor. İlk ay ajan bazı “anomalileri” yanlış yorumladı. Somut bir örnek: (belirli bir üründe) satışlar bir haftada normalin birkaç katına çıktı, ajan bunu stok/talep dengesizliği sanıp acil sipariş önerisi çıkardı — oysa arka planda bir kampanya vardı ve ekip zaten fazladan stok ayırmıştı. Sipariş önerisi onay aşamasında takıldığı için gerçek bir hataya dönüşmedi, ama bize şunu gösterdi: ajan sayılara bakıyor, ama “neden”i bilmiyor.</p><p>Çözüm, ajana daha fazla bağlam vermek oldu: kampanya takvimini de görebilmesini sağladık, artık bir satış artışını değerlendirirken “bu tarihte planlı bir kampanya var mı” diye de kontrol ediyor.</p><p>Bundan çıkardığım ders şu: ajan ne kadar akıllı görünürse görünsün, aslında ona verdiğin bağlam kadar akıllı. BI uzmanının işi bu yüzden bitmiyor, sadece şekil değiştiriyor — artık rapor hazırlamak yerine, ajana doğru bağlamı ve doğru sınırları öğretiyorum.</p><p>Sonuçta ajan, veriye bakan bir robot değil; senin kurallarının, risk toleransının ve iş bilgeliğinin koda dökülmüş hali. O yüzden “ajan kurmak” bence bir mühendislik projesinden çok, bir karar mimarisi meselesi.</p><p>Umarım sizin için faydalı bir yazı olmuştur. Okuduğunuz için teşekkürler.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=aaefc99fb102" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[“AI Raporları Yazıyor, Peki BI Uzmanları Ne Yapacak?”]]></title>
            <link>https://medium.com/@emirhankaradag/ai-raporlar%C4%B1-yaz%C4%B1yor-peki-bi-uzmanlar%C4%B1-ne-yapacak-9b1e5ac10740?source=rss-b1e1736f0705------2</link>
            <guid isPermaLink="false">https://medium.com/p/9b1e5ac10740</guid>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <category><![CDATA[sql]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Emirhan Karadağ]]></dc:creator>
            <pubDate>Mon, 06 Jul 2026 13:13:46 GMT</pubDate>
            <atom:updated>2026-07-06T13:13:46.578Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*d4cvTjK8xpDgBLvE-UAkxg.png" /></figure><p><strong>Kariyerimin başlangıcından itibaren büyük bölümünü SQL sorguları yazarak, ETL akışları kurarak ve yönetim kurullarına “sayılar ne anlatıyor” sorusunun cevabını hazırlayarak geçirdim. Son bir-iki yıldır ise sektörde tuhaf bir gerilim var: bir yanda “BI artık AI’a devroldu, analistler işini kaybedecek” söylemi, diğer yanda “bu da geçici bir hype, dashboard’lar hep var olacak” rahatlığı. Bana göre ikisi de eksik bir resim çiziyor.</strong></p><p><strong>Gerçek şu: Business Intelligence bir meslek olarak ortadan kalkmıyor, ama içeriği kökten değişiyor. Ve bu değişimi yakından takip etmeyen BI profesyonelleri, birkaç yıl içinde kendini “rapor üreten kişi” konumunda sıkışmış bulacak oysa organizasyonun ihtiyacı artık çok daha fazlası.</strong></p><h4>Dashboard’dan Konuşmaya: Erişimin Demokratikleşmesi</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/718/1*RYf0JRXBL54z4i2IUsJw6A.png" /></figure><p><strong>Yıllarca BI’ın en büyük darboğazı şuydu: içgörüye ulaşmak için ya SQL bilmeniz ya da doğru dashboard’u bulup filtreleri doğru ayarlamanız gerekiyordu. Bu engel hızla kalkıyor. Kullanıcılar artık dashboard’da gezinmek yerine doğrudan soru soruyor “Neden CAC’imiz bu çeyrekte arttı?” gibi bir soruya, otomatik oluşturulmuş görselleştirmelerle birlikte kök neden analizi alabiliyorlar.</strong></p><p><strong>Bunun BI ekipleri için anlamı nettir: iyi kurulmuş bir semantik katman olmadan bu konuşma tabanlı arayüzler güvenilmez sonuçlar üretir. Bir “gelir” sorusuna herkesin CFO’nun kullandığı tanımla aynı cevabı alması gerekiyor — halüsinasyon üretilmiş ya da tutarsız bir hesaplama değil. Yani AI’ın öne çıkması, BI’ı gereksiz kılmıyor; tam tersine iyi tasarlanmış veri modellerini her zamankinden daha kritik hale getiriyor.</strong></p><h4>Analistten “Intelligence Engineer”a</h4><p><strong>Bence en çarpıcı dönüşüm BI ekiplerinin iç yapısında yaşanıyor. Daha önce dashboard inşa etmeye odaklanan analist ve geliştiriciler, artık daha stratejik ve mimari rollere kayıyor. AI basit ad-hoc raporlamayı üstlenirken, BI ekipleri karmaşık modelleme, doğrulama ve organizasyon genelinde içgörü akışının orkestrasyonuna odaklanıyor.</strong></p><p><strong>Kendi tecrübeme göre de bu geçiş zaten hissediliyor: Artık “şu tabloyu şu filtreyle çek” taleplerine harcanan zaman azalıyor, ama “bu modelin varsayımları doğru mu, bu metrik tanımı organizasyon genelinde tutarlı mı” sorularına ayrılan zaman artıyor. BI profesyonelinin geleceği, rapor üreten kişi değil, kurumun “ortak veri dilini” tasarlayan ve AI’ın bu dil üzerinden doğru çalıştığından emin olan kişi olmak.</strong></p><h4><strong>Agentic AI: Yardımcıdan Proaktif Ortağa</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/718/1*r9ocqDuTe8odrxJlAkOsDQ.png" /></figure><p><strong>2026&#39;da konuşulan en büyük değişim, yapay zekanın artık sadece soruları cevaplamakla kalmayıp kullanıcı davranışlarına ve iş olaylarına göre proaktif olarak ilgili analizleri önermesi. Bu, “bekleyen” BI’dan “öngören” BI’a geçiş anlamına geliyor: sistem anomaliyi kullanıcı sormadan tespit ediyor, “neden bu değişti” sorusuna güven aralıklarıyla birlikte kök neden analizi sunabiliyor ve bir sonraki adımı önerip gerekçesini iş diliyle açıklayabiliyor.</strong></p><p><strong>Burada bir uyarı payı da var. PwC’nin 2026 öngörülerinde vurgulandığı gibi, geçtiğimiz yıl birçok agentic AI projesi somut değer üretemedi; çünkü ajanlar gerçek anlamda “ajan” gibi kullanılmıyordu — ölçülebilir bir iş çıktısına bağlanmamış, dağınık ve merkezi olmayan girişimlerdi. Yani teknoloji hazır olsa da, onu doğru kurgulamak hâlâ insan işi. Bir Senior BI Specialist olarak bu benim için kritik bir nokta: araç ne kadar akıllı olursa olsun, “hangi iş sürecine, hangi ölçülebilir hedefle bağlanacak” sorusunu cevaplayan hâlâ bizleriz.</strong></p><h4><strong>Veri Kalitesi: Hype’ın Gölgesinde Kalan Temel</strong></h4><p><strong>İlginç bir şekilde, sektör araştırmaları AI ve otomasyon kadar konuşulmasa da veri kalitesi yönetiminin 2026&#39;da hâlâ en öncelikli konu olduğunu gösteriyor — güvenlik ve gizlilik, veri odaklı kültür ile birlikte. Bunun sebebi basit: AI ne kadar gelişmiş olursa olsun, kirli veri üzerine kurulu bir model sadece daha hızlı ve daha ikna edici şekilde yanlış sonuç üretir.</strong></p><p><strong>Bu, benim sahada sürekli gördüğüm bir gerçek. Linked server’lar üzerinden çekilen veriler, filtreli join’lerin beklenmedik null’lara yol açması, farklı sistemlerdeki tutarsız tanımlar — bunların hiçbiri AI ile “otomatik olarak” çözülmüyor. AI, veri kalitesi sorunlarını gizlemiyor, aksine daha büyük ölçekte ve daha hızlı şekilde ortaya çıkarıyor.</strong></p><h4>Peki Biz Ne Yapmalıyız?</h4><p><strong>Bir BI profesyoneli olarak kendime ve ekip arkadaşlarıma önerim şu üç başlıkta toplanıyor:</strong></p><p><strong>1. Semantik katmana yatırım yapın.</strong> AI arayüzleri ne kadar akıllı olursa olsun, altındaki veri modeli tutarsızsa çıktı güvenilmez olur. Bu, klasik BI disiplininin hâlâ en değerli parçası.</p><p><strong>2. Rolünüzü yeniden tanımlayın.</strong> Rapor üretmekten, veri mimarisini ve güvenilirliğini garanti eden kişiye geçiş yapın. Bu geçişi bilinçli yapmayan BI profesyonelleri, AI’ın “otomatikleştirdiği” ilk grup olacak.</p><p><strong>3. Veri kalitesini pazarlık konusu yapmayın.</strong> AI projelerinin çoğu, temeldeki veri sorunlarını çözmeden hızlıca “akıllı” özellikler eklemeye çalıştığı için başarısız oluyor. En sıkıcı ama en kritik iş hâlâ budur.</p><h4>Son Söz</h4><p><strong>BI’ın geleceği hakkında konuşurken asıl soru “AI bizim işimizi alacak mı” değil, “biz AI’ın doğru çalışması için gereken temeli kurabilecek miyiz” olmalı. Dashboard’lar belki azalacak, SQL yazma şeklimiz belki değişecek — ama güvenilir, tutarlı ve iş bağlamına oturan veri modelleri kuran insanlara olan ihtiyaç azalmıyor, artıyor.</strong></p><p><strong>Bu yazıyı, sahada bu dönüşümü yaşayan herkesle tartışmak isterim. Sizin ekibinizde bu geçiş nasıl ilerliyor?</strong></p><p><strong><em>Bu yazı, güncel sektör raporları (BARC 2026 Trend Monitor, PwC 2026 AI Business Predictions, ThoughtSpot ve TARGIT analizleri) ile kişisel saha deneyimlerimden yola çıkılarak hazırlanmıştır.</em></strong></p><p><strong>Umarım sizin için faydalı bir yazı olmuştur. Okuduğunuz için teşekkürler.</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9b1e5ac10740" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zeka Veriyi Nasıl Görür? Veri Görselleştirmede Yeni Dönem]]></title>
            <link>https://medium.com/@emirhankaradag/yapay-zeka-veriyi-nas%C4%B1l-g%C3%B6r%C3%BCr-veri-g%C3%B6rselle%C5%9Ftirmede-yeni-d%C3%B6nem-03256e1a6385?source=rss-b1e1736f0705------2</link>
            <guid isPermaLink="false">https://medium.com/p/03256e1a6385</guid>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Emirhan Karadağ]]></dc:creator>
            <pubDate>Wed, 03 Jun 2026 19:34:53 GMT</pubDate>
            <atom:updated>2026-06-03T19:34:53.142Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/300/0*RVpNf7KU3om6mXW4" /></figure><p><em>Bir pivot tablosuna saatlerce bakıp “bu veriden ne çıkarmalıyım?” diye düşündüğünüz oldu mu? Ya da “doğru grafiği seçtim mi?” sorusuyla boğuştunuz mu?</em></p><p><em>Yapay zeka, bu soruların cevabını artık sizinle birlikte buluyor. Hatta bazen sizden önce.</em></p><p><em>Bu yazıda, AI’ın veri görselleştirme sürecinin neresinde devreye girdiğini, hangi araçların ne işe yaradığını ve pratikte nasıl kullanabileceğinizi somut örneklerle ele alacağım.</em></p><blockquote><strong>Veri Görselleştirmede Asıl Sorun Ne?</strong></blockquote><p><em>Veri görselleştirme teknik bir beceri gibi görünür — ama özünde bir </em><strong><em>iletişim</em></strong><em> problemidir.</em></p><p><em>“Hangi grafik türünü kullanmalıyım?” sorusu aslında şudur: “Bu veriyi, anlatmak istediğim hikâyeyi en net aktaracak şekilde nasıl sunabilirim?”</em></p><p><em>Burada üç farklı zorluk katmanı var:</em></p><ol><li><strong><em>Teknik katman</em></strong><em> — Doğru araç, doğru kütüphane, doğru kod</em></li><li><strong><em>Analitik katman</em></strong><em> — Verinin içindeki örüntüleri görmek</em></li><li><strong><em>Tasarım katmanı</em></strong><em> — Görselleştirmeyi okunabilir ve ikna edici yapmak</em></li></ol><p><em>AI, bu üç katmanda da farklı biçimlerde yardımcı oluyor.</em></p><blockquote><strong>AI Veri Görselleştirme Sürecine Nasıl Giriyor?</strong></blockquote><blockquote><strong>1. Doğal Dil → Grafik: “Bana şunu göster” Yeterli</strong></blockquote><p><em>En çarpıcı gelişme burada. Artık veriyi yükleyip “Aylık satışların çeyreklik ortalamasını göster” gibi bir cümle yazabiliyorsunuz. AI hem analizi yapıyor hem de grafiği üretiyor.</em></p><p><strong><em>ChatGPT Advanced Data Analysis (Code Interpreter)</em></strong><em> bunun en güçlü örneklerinden biri. Bir CSV dosyası yükleyip şu tür sorular sorabilirsiniz:</em></p><ul><li><em>“Hangi ürün kategorisi en yüksek büyüme trendini gösteriyor?”</em></li><li><em>“Bu veri setindeki aykırı değerleri görselleştir ve olası nedenlerini açıkla”</em></li><li><em>“Satışlarla hava durumu arasında korelasyon var mı?”</em></li></ul><p><em>AI hem Python kodu yazıyor hem çalıştırıyor hem de sonucu yorumluyor. Siz sadece soruyu soruyorsunuz.</em></p><blockquote><strong>2. Otomatik Grafik Öneri: Hangi Grafiği Seçeceğinizi Artık Bilmeniz Gerekmiyor</strong></blockquote><p><em>Doğru grafik türünü seçmek — bar mı, çizgi mi, scatter mı, heatmap mi? — başlı başına bir uzmanlık alanıydı.</em></p><p><strong><em>Tableau’nun Einstein AI özelliği</em></strong><em> ve </em><strong><em>Microsoft Power BI’ın Copilot entegrasyonu</em></strong><em>, veri yapısını analiz edip hangi görselleştirmenin daha anlamlı olacağını öneriyor. Zaman serisi verisi görünce çizgi grafik, kategorik karşılaştırmalarda bar chart, iki değişken arasındaki ilişkide scatter plot öneriliyor. Bağlamı anlıyor.</em></p><p><strong><em>Google Looker Studio</em></strong><em> da benzer şekilde sütun tiplerine göre otomatik grafik önerisi sunuyor ve doğal dil sorguları destekliyor.</em></p><blockquote><strong>3. Kod Üretimi: matplotlib’den D3.js’e, Siz Sadece Tanımlayın</strong></blockquote><p><em>Veri görselleştirme için kod yazan herkes şunu bilir: Asıl zaman, kodun ne yapacağını düşünmeye değil, </em><em>figsize, </em><em>tight_layout, </em><em>legend parametreleriyle boğuşmaya gider.</em></p><p><em>AI bu kısmı devraldığında ne oluyor?</em></p><p><strong><em>Seaborn + Claude/GPT örneği:</em></strong></p><pre>&quot;Python&#39;da, bu DataFrame&#39;i kullanarak aylık kullanıcı kaybını (churn) <br>segment bazında gösteren, renk körü dostu bir heatmap yaz. <br>Eksik değerleri gri ile işaretle.&quot;</pre><p><em>Çıktı: Çalışan, yorumlanmış, iyi belgelenmiş kod. Sıfırdan.</em></p><p><em>Bu tür istemlerle Plotly, D3.js, ggplot2 veya Vega-Lite için de kod üretebilirsiniz. Kütüphanenin syntax’ını ezberlemenize gerek kalmıyor — veriyi ve amacı tanımlıyorsunuz, AI gerisini hallediyor.</em></p><blockquote><strong>4. Yorumlama Katmanı: “Ne Görüyorum?” Sorusunun Cevabı</strong></blockquote><p><em>Belki de en az konuşulan ama en değerli katkı bu.</em></p><p><em>Bir grafik oluşturdunuz. Peki ne söylüyor? AI, görselleştirmeyi analiz edip otomatik içgörü üretebiliyor:</em></p><ul><li><em>“Mart ayındaki ani düşüş dikkat çekici — bu döneme ait harici olayları kontrol etmenizi öneririm”</em></li><li><em>“İki değişken arasındaki korelasyon 0.78, ancak bu üçüncü bir faktörden kaynaklanıyor olabilir”</em></li><li><em>“Verinin %12&#39;si aykırı değer içeriyor, bunları dahil etmek ortalamayı yanıltıcı yapıyor”</em></li></ul><p><strong><em>Narrative Science</em></strong><em> ve </em><strong><em>Quill</em></strong><em> gibi araçlar yıllardır bunu yapıyor. Artık bu yetenek genel amaçlı AI asistanlarının içine entegre edilmiş durumda.</em></p><blockquote><strong>Araç Seçimi: Ne Zaman Neyi Kullanmalısınız?</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/760/1*UiQfZZ_yVtd2EcCTuKbAJg.png" /></figure><blockquote><strong>Pratik Workflow: Sıfırdan Dashboard’a 20 Dakikada</strong></blockquote><p><em>Gerçekçi bir senaryo: Elimde aylık e-ticaret satış verisi var, yöneticim için bir özet görsel hazırlamamı istiyor.</em></p><p><strong><em>Adım 1 — Veriyi AI’a tanıtın (2 dk)</em></strong><em> CSV’yi yükleyin, şunu yazın: “Bu veri setinde hangi sütunlar var, veri kalitesi nasıl, eksik değer var mı? Özet ver.”</em></p><p><strong><em>Adım 2 — Analitik soruları belirleyin (3 dk)</em></strong><em> “Yöneticim hangi soruları sorar?” diye düşünün. Ardından AI’a: “Bu veriden 5 temel içgörü çıkar ve her biri için hangi görselleştirmeyi önerirsin?”</em></p><p><strong><em>Adım 3 — Görselleri üretin (10 dk)</em></strong><em> Her içgörü için ayrı grafik isteyin. Kod ürettiyse çalıştırın, doğrudan grafik ürettiyse inceleyin. Renk, başlık, eksen etiketleri için ince ayar isteyin.</em></p><p><strong><em>Adım 4 — Hikâyeyi kurun (5 dk)</em></strong><em> “Bu dört grafiği bir araya getiren, yöneticiye sunulacak bir anlatı yaz. Tek paragraf, üç önemli çıkarım.”</em></p><p><em>Sonuç: 20 dakikada, eskiden yarım gün süren bir iş.</em></p><blockquote><strong>Dikkat Edilmesi Gerekenler</strong></blockquote><p><em>AI veri görselleştirmede güçlü, ama kör noktalara sahip:</em></p><p><strong><em>Bağlamı siz sağlamalısınız.</em></strong><em> AI verinin ne anlama geldiğini bilmiyor. “Mart’ta düşüş var” diyor ama bunun mevsimsellik mi, ürün hatası mı, pazarlama kampanyası bitişi mi olduğunu siz biliyorsunuz.</em></p><p><strong><em>Korelasyonu nedensellik olarak sunabilir.</em></strong><em> AI bazen iki değişken arasındaki ilişkiyi sanki doğrudan bir bağ varmış gibi framing yapabiliyor. Çıktıları eleştirel gözle okuyun.</em></p><p><strong><em>Veri gizliliğine dikkat.</em></strong><em> Hassas verilerinizi üçüncü taraf AI araçlarına yüklemeden önce şirket politikalarınızı kontrol edin. Lokal çalışan modeller (Ollama gibi) bu konuda daha güvenli bir alternatif sunuyor.</em></p><p><strong><em>Görsel tasarım kararları hâlâ insana ait.</em></strong><em> Renk paletleri, layout, hiyerarşi — bunlar iletişim kararlarıdır. AI önerir, siz karar verirsiniz.</em></p><blockquote><strong>Sonuç: AI Veri Okur Yazan Olmayı Demokratikleştiriyor</strong></blockquote><p><em>Beş yıl önce, anlamlı veri görselleştirme yapabilmek için Python bilmek, ggplot syntax’ına hâkim olmak veya Tableau lisansına sahip olmak gerekiyordu.</em></p><p><em>Bugün bir veri analistinin becerisi ile bir yöneticinin sorusu arasındaki mesafe dramatik biçimde kısaldı.</em></p><p><em>Bu hem bir fırsat hem de bir sorumluluk. AI’ın ürettiği görselleri körce paylaşmak yerine, onları anlamak, sorgulamak ve hikâyeyi sahiplenmek — bu hâlâ insanın işi.</em></p><p><em>Ama artık o hikâyeyi anlatmak için çok daha az teknik engel var.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XL-cYirubPe1pxkXyth2XQ.png" /></figure><p><em>Umarım sizin için faydalı bir yazı olmuştur. Okuduğunuz için teşekkürler.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=03256e1a6385" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[MS SQL’de Gerçek Hayat Performans Optimizasyonu: Sorgudan Plana, Plandan Kazanca]]></title>
            <link>https://medium.com/@emirhankaradag/ms-sqlde-ger%C3%A7ek-hayat-performans-optimizasyonu-sorgudan-plana-plandan-kazanca-daaca9f9ca96?source=rss-b1e1736f0705------2</link>
            <guid isPermaLink="false">https://medium.com/p/daaca9f9ca96</guid>
            <category><![CDATA[business-intelligence]]></category>
            <category><![CDATA[sql]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[bi]]></category>
            <dc:creator><![CDATA[Emirhan Karadağ]]></dc:creator>
            <pubDate>Fri, 03 Apr 2026 11:29:08 GMT</pubDate>
            <atom:updated>2026-04-03T11:29:08.254Z</atom:updated>
            <content:encoded><![CDATA[<p><a href="https://medium.com/@emirhankaradag/real-world-ms-sql-performance-optimization-from-query-to-plan-from-plan-to-gain-127083b50177"><em>Click for the English version.</em></a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CGA1xxkSes0xosxtl8a_eA.png" /></figure><p><em>Yavaş raporlar, hatalı index stratejileri ve gözden kaçan plan caches… Günlük iş hayatımda karşılaştığım ve çözdüğüm gerçek MS SQL performans sorunlarını ve tekniklerini paylaşıyorum.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xiOwL0qiiUwwRDSMOBDq4w.png" /></figure><blockquote><strong>1.Execution Plan’ı Doğru Okumak</strong></blockquote><p><em>Çoğu geliştirici sorgu yavaşladığında ilk olarak sorgu metnine bakar. Oysa asıl cevap Actual Execution Plan’ın içinde gizlidir. SSMS’te </em><em>Ctrl+M ile açtığınız plan size şunları anlatır: hangi operatör en fazla CPU harcıyor, nerede Key Lookup var, Estimated vs Actual row sayıları neden ayrışıyor.</em></p><blockquote><strong>Pratik İpucu</strong></blockquote><blockquote>Key Lookup görüyorsanız — zaten bir index var ama yeterli kolon içermiyor demektir. Çözüm: <strong>INCLUDE</strong> ile covering index oluşturmak.</blockquote><pre>SQL — Key Lookup tespiti<br><br>-- Execution Plan&#39;da Key Lookup varsa şu DMV sizi yönlendirir:<br>SELECT<br>    qs.total_logical_reads / qs.execution_count AS avg_logical_reads,<br>    qs.total_elapsed_time / qs.execution_count AS avg_elapsed_time_us,<br>    SUBSTRING(qt.text, (qs.statement_start_offset/2)+1,<br>    ((qs.statement_end_offset-qs.statement_start_offset)/2)+1) AS query_text<br>FROM sys.dm_exec_query_stats qs<br>CROSS APPLY sys.dm_exec_sql_text(qs.sql_handle) qt<br>ORDER BY avg_logical_reads DESC;</pre><blockquote><strong>2.Covering Index &amp; INCLUDE Kolonları</strong></blockquote><p><em>Index varken neden Full Scan oluyor? Çünkü SELECT listesindeki kolonlar index’in dışında kalıyor. SQL Server önce index’ten RID/Key bulup, sonra heap/clustered table’a gidiyor — bu Key Lookup’tur ve büyük tablolarda katil olabilir.</em></p><pre>SQL — Kötü vs İyi Index<br><br>-- Kötü: sadece filtre kolonuna index<br>CREATE INDEX IX_Orders_Status<br>ON Orders (Status);<br><br>-- İyi: filtre + sık kullanılan SELECT kolonları INCLUDE ile<br>CREATE INDEX IX_Orders_Status_Covering<br>ON Orders (Status)<br>INCLUDE (OrderDate, CustomerID, TotalAmount);<br>-- Artık Key Lookup yok, index&#39;ten direkt okuma var</pre><blockquote><strong>Altın Kural</strong></blockquote><blockquote>Index key’e WHERE ve JOIN kolonlarını koy. INCLUDE’a yalnızca SELECT ile gelen “taşınan” kolonları koy. Key kolonları leaf + intermediate node’larda tutulur, INCLUDE sadece leaf node’da — bu yüzden index boyutunu gereksiz büyütmez.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CMGE8Rb3cVQ3Iyi3TFQ9xg.png" /></figure><blockquote><strong><em>3.CTE vs Temp Table — Ne Zaman Hangisi?</em></strong></blockquote><p><em>CTE’ler okunabilirliği artırır ama optimizer bazen onları inline expand edip her referansta yeniden çalıştırır. Büyük veri setlerinde bu felakete dönüşebilir. Kural basit:</em></p><pre>SQL — CTE&#39;nin tuzağı &amp; Temp Table çözümü<br><br>-- CTE: aynı CTE&#39;ye birden fazla JOIN varsa tehlikeli<br>WITH SalesCTE AS (<br>    SELECT CustomerID, SUM(Amount) AS Total<br>    FROM Sales<br>    GROUP BY CustomerID<br>)<br>SELECT a.*, b.Total<br>FROM SalesCTE a<br>JOIN SalesCTE b ON a.CustomerID = b.CustomerID; -- 2x çalışır!<br><br>-- Çözüm: Temp Table ile materialization<br>SELECT CustomerID, SUM(Amount) AS Total<br>INTO #SalesTemp<br>FROM Sales<br>GROUP BY CustomerID;<br><br>CREATE INDEX IX_Temp_Customer ON #SalesTemp (CustomerID);<br>-- Şimdi tek seferlik hesaplama + index ile join</pre><blockquote><strong>4.Window Functions — Set-Based Düşünce</strong></blockquote><p><em>Raporlamada en çok hata yapılan yer: satır bazlı subquery ile yapılabilecek hesapların döngü veya correlated subquery ile yazılması. Window functions bunu hem daha temiz hem de çok daha hızlı çözer.</em></p><pre>SQL — Running Total &amp; Rank<br><br>SELECT<br>    OrderDate,<br>    CustomerID,<br>    Amount,<br>    -- Kümülatif toplam — correlated subquery yerine<br>    SUM(Amount) OVER (<br>        PARTITION BY CustomerID<br>        ORDER BY OrderDate<br>        ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW<br>    ) AS RunningTotal,<br>    -- Müşteri bazında satış sıralaması<br>    RANK() OVER (<br>        PARTITION BY CustomerID<br>        ORDER BY Amount DESC<br>    ) AS SalesRank,<br>    -- Önceki sipariş ile fark<br>    Amount - LAG(Amount, 1, 0) OVER (<br>        PARTITION BY CustomerID<br>        ORDER BY OrderDate<br>    ) AS AmountDiff<br>FROM Orders;</pre><blockquote><strong>5.Statistics &amp; Query Store</strong></blockquote><p><em>Bugün hızlı çalışan bir sorgu yarın neden yavaşlar? Statistics eskimiş olabilir ya da plan regression yaşanmış olabilir. Query Store bunu kayıt altına alır ve hangi plan değişikliğinin regresyona yol açtığını görmenizi sağlar.</em></p><pre>SQL — Regressed Queries tespiti<br><br>SELECT TOP 10<br>    qsq.query_id,<br>    SUBSTRING(qsqt.query_sql_text, 1, 200) AS query_text,<br>    qsrs.avg_duration / 1000.0 AS avg_ms_recent,<br>    qsrb.avg_duration / 1000.0 AS avg_ms_baseline<br>FROM sys.query_store_query qsq<br>JOIN sys.query_store_query_text qsqt<br>    ON qsq.query_text_id = qsqt.query_text_id<br>JOIN sys.query_store_plan qsrp ON qsq.query_id = qsrp.query_id<br>JOIN sys.query_store_runtime_stats qsrs<br>    ON qsrp.plan_id = qsrs.plan_id<br>JOIN sys.query_store_runtime_stats qsrb<br>    ON qsrp.plan_id = qsrb.plan_id<br>WHERE qsrs.avg_duration &gt; qsrb.avg_duration * 1.5<br>ORDER BY (qsrs.avg_duration - qsrb.avg_duration) DESC;</pre><blockquote><strong>Sonuç</strong></blockquote><blockquote>Query Store’u etkinleştirin, regressed planları force edin ve statistics’i periyodik olarak manuel update edin — özellikle büyük batch yüklemelerden sonra.</blockquote><p><em>Umarım sizin için faydalı bir yazı olmuştur. Okuduğunuz için teşekkürler.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=daaca9f9ca96" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Real-World MS SQL Performance Optimization: From Query to Plan, From Plan to Gain]]></title>
            <link>https://medium.com/@emirhankaradag/real-world-ms-sql-performance-optimization-from-query-to-plan-from-plan-to-gain-127083b50177?source=rss-b1e1736f0705------2</link>
            <guid isPermaLink="false">https://medium.com/p/127083b50177</guid>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[sql]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[data-analysis]]></category>
            <dc:creator><![CDATA[Emirhan Karadağ]]></dc:creator>
            <pubDate>Fri, 03 Apr 2026 11:27:19 GMT</pubDate>
            <atom:updated>2026-04-03T11:27:19.875Z</atom:updated>
            <content:encoded><![CDATA[<p><a href="https://medium.com/@emirhankaradag/ms-sqlde-ger%C3%A7ek-hayat-performans-optimizasyonu-sorgudan-plana-plandan-kazanca-daaca9f9ca96"><em>Türkçe versiyon için tıklayın.</em></a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CGA1xxkSes0xosxtl8a_eA.png" /></figure><p><em>Slow reports, flawed index strategies, and overlooked plan caches — real MS SQL performance problems I’ve encountered and solved in day-to-day BI work.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/proxy/1*xiOwL0qiiUwwRDSMOBDq4w.png" /></figure><blockquote><strong>1.Reading the Execution Plan Correctly</strong></blockquote><p><em>When a query slows down, most developers look at the query text first. But the real answer is hidden inside the Actual Execution Plan. Opened with </em><em>Ctrl+M in SSMS, it tells you: which operator is burning the most CPU, where a Key Lookup exists, and why Estimated vs Actual row counts diverge.</em></p><blockquote><strong>Pro Tip</strong></blockquote><blockquote>If you see a Key Lookup — an index already exists but doesn’t cover enough columns. Solution: create a covering index with <strong>INCLUDE</strong>.</blockquote><pre>SQL — Detecting high logical reads<br><br>-- This DMV points you to the worst offenders:<br>SELECT<br>    qs.total_logical_reads / qs.execution_count AS avg_logical_reads,<br>    qs.total_elapsed_time / qs.execution_count AS avg_elapsed_time_us,<br>    SUBSTRING(qt.text, (qs.statement_start_offset/2)+1,<br>    ((qs.statement_end_offset-qs.statement_start_offset)/2)+1) AS query_text<br>FROM sys.dm_exec_query_stats qs<br>CROSS APPLY sys.dm_exec_sql_text(qs.sql_handle) qt<br>ORDER BY avg_logical_reads DESC;</pre><blockquote><strong>2.Covering Index &amp; INCLUDE Columns</strong></blockquote><p><em>Why does a Full Scan still happen even when an index exists? Because columns in your SELECT list fall outside the index. SQL Server finds the RID/Key from the index, then goes back to the heap/clustered table — that’s a Key Lookup, and on large tables it can be a killer.</em></p><pre>SQL — Bad vs Good Index<br><br>-- Bad: index only on the filter column<br>CREATE INDEX IX_Orders_Status<br>ON Orders (Status);<br><br>-- Good: filter + frequently selected columns via INCLUDE<br>CREATE INDEX IX_Orders_Status_Covering<br>ON Orders (Status)<br>INCLUDE (OrderDate, CustomerID, TotalAmount);<br>-- No more Key Lookup — direct read from the index</pre><blockquote><strong>Golden Rule</strong></blockquote><blockquote>Put WHERE and JOIN columns in the index key. Put “carried” SELECT-only columns in INCLUDE. Key columns live in leaf + intermediate nodes; INCLUDE lives only in leaf nodes — so index size stays lean.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/proxy/1*CMGE8Rb3cVQ3Iyi3TFQ9xg.png" /></figure><blockquote><strong>3.CTE vs Temp Table — When to Use Which?</strong></blockquote><p><em>CTEs improve readability, but the optimizer sometimes inline-expands them and re-executes them on every reference. On large datasets this can be catastrophic. The rule is simple: if a CTE is referenced more than once, materialize it.</em></p><pre>SQL — CTE trap &amp; Temp Table solution<br><br>-- CTE: dangerous when the same CTE is joined twice<br>WITH SalesCTE AS (<br>    SELECT CustomerID, SUM(Amount) AS Total<br>    FROM Sales<br>    GROUP BY CustomerID<br>)<br>SELECT a.*, b.Total<br>FROM SalesCTE a<br>JOIN SalesCTE b ON a.CustomerID = b.CustomerID; -- runs 2×!<br><br>-- Solution: materialize with a Temp Table<br>SELECT CustomerID, SUM(Amount) AS Total<br>INTO #SalesTemp<br>FROM Sales<br>GROUP BY CustomerID;<br><br>CREATE INDEX IX_Temp_Customer ON #SalesTemp (CustomerID);<br>-- Single computation + indexed join</pre><blockquote><strong>4.Window Functions — Set-Based Thinking</strong></blockquote><p><em>The most common mistake in reporting: writing row-by-row correlated subqueries for calculations that Window Functions can handle far more cleanly — and orders of magnitude faster.</em></p><pre>SQL — Running Total &amp; Rank<br><br>SELECT<br>    OrderDate,<br>    CustomerID,<br>    Amount,<br>    -- Cumulative total — replaces correlated subquery<br>    SUM(Amount) OVER (<br>        PARTITION BY CustomerID<br>        ORDER BY OrderDate<br>        ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW<br>    ) AS RunningTotal,<br>    -- Per-customer sales rank<br>    RANK() OVER (<br>        PARTITION BY CustomerID<br>        ORDER BY Amount DESC<br>    ) AS SalesRank,<br>    -- Difference from previous order<br>    Amount - LAG(Amount, 1, 0) OVER (<br>        PARTITION BY CustomerID<br>        ORDER BY OrderDate<br>    ) AS AmountDiff<br>FROM Orders;</pre><blockquote><strong>5.Statistics &amp; Query Store</strong></blockquote><p><em>Why does a query that runs fast today slow down tomorrow? Statistics may be stale, or a plan regression may have occurred. Query Store records all of this and lets you see exactly which plan change caused the regression.</em></p><pre>SQL — Detecting regressed queries<br><br>SELECT TOP 10<br>    qsq.query_id,<br>    SUBSTRING(qsqt.query_sql_text, 1, 200) AS query_text,<br>    qsrs.avg_duration / 1000.0 AS avg_ms_recent,<br>    qsrb.avg_duration / 1000.0 AS avg_ms_baseline<br>FROM sys.query_store_query qsq<br>JOIN sys.query_store_query_text qsqt<br>    ON qsq.query_text_id = qsqt.query_text_id<br>JOIN sys.query_store_plan qsrp ON qsq.query_id = qsrp.query_id<br>JOIN sys.query_store_runtime_stats qsrs<br>    ON qsrp.plan_id = qsrs.plan_id<br>JOIN sys.query_store_runtime_stats qsrb<br>    ON qsrp.plan_id = qsrb.plan_id<br>WHERE qsrs.avg_duration &gt; qsrb.avg_duration * 1.5<br>ORDER BY (qsrs.avg_duration - qsrb.avg_duration) DESC;</pre><blockquote><strong>Takeaway</strong></blockquote><blockquote>Enable Query Store, force regressed plans, and update statistics periodically — especially after large batch loads.</blockquote><p><em>I hope this article has been helpful for you. Thank you for reading.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=127083b50177" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AI ile Veri Bilimi: Python ve Claude Code ile Yeni Nesil Analitik]]></title>
            <link>https://medium.com/@emirhankaradag/ai-ile-veri-bilimi-python-ve-claude-code-ile-yeni-nesil-analitik-e13d3815702b?source=rss-b1e1736f0705------2</link>
            <guid isPermaLink="false">https://medium.com/p/e13d3815702b</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[claude]]></category>
            <dc:creator><![CDATA[Emirhan Karadağ]]></dc:creator>
            <pubDate>Thu, 12 Feb 2026 13:10:25 GMT</pubDate>
            <atom:updated>2026-02-12T13:10:25.786Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Modern veri biliminde yapay zeka araçlarını kullanarak nasıl daha verimli çalışabiliriz?</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/631/1*E3f-D8Hiy0lVl-rLJvmR2A.png" /></figure><blockquote><strong>Giriş: Veri Biliminde Yeni Dönem</strong></blockquote><p>Yapay zeka ve makine öğrenmesi alanındaki hızlı gelişmeler, veri bilimcilerin çalışma şeklini kökten değiştiriyor. Claude Code gibi modern AI araçları, kod yazımından veri analizine kadar her aşamada bize eşlik ediyor. Bu makalede, Python ekosistemi içinde AI araçlarını nasıl etkili kullanabileceğimizi ve veri bilimi projelerinizi nasıl bir sonraki seviyeye taşıyabileceğinizi keşfedeceğiz.</p><blockquote><strong>💻 Claude Code: Komut Satırında AI Asistanınız</strong></blockquote><p>Claude Code, Anthropic tarafından geliştirilen ve terminal üzerinden çalışan agentic bir kodlama aracıdır. Geleneksel IDE eklentilerinden farklı olarak, Claude Code size tam bir kodlama asistanı sunar:<br> <br> • Otomatik kod yazımı ve refaktoring<br> • Hata ayıklama ve optimizasyon önerileri<br> • Proje bazında bağlamsal anlama<br> • Test yazımı ve dokümantasyon oluşturma</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*UBZDusyyUM3WJfqLPcujlQ.jpeg" /></figure><blockquote><strong>Örnek: Claude Code ile Veri Analizi Pipeline</strong></blockquote><p><strong><em>#Claude Code kullanarak basit bir veri analizi pipeline’ı oluşturalım:</em></strong></p><pre># data_pipeline.py - Claude Code ile oluşturuldu<br>import pandas as pd<br>import numpy as np<br>from sklearn.preprocessing import StandardScaler<br>from sklearn.model_selection import train_test_split<br><br>class DataPipeline:<br>    &quot;&quot;&quot;Veri hazırlama ve işleme pipeline&#39;ı&quot;&quot;&quot;<br>    <br>    def __init__(self, filepath):<br>        self.filepath = filepath<br>        self.data = None<br>        self.scaler = StandardScaler()<br>    <br>    def load_data(self):<br>        &quot;&quot;&quot;CSV veya Excel dosyasını yükle&quot;&quot;&quot;<br>        if self.filepath.endswith(&#39;.csv&#39;):<br>            self.data = pd.read_csv(self.filepath)<br>        elif self.filepath.endswith(&#39;.xlsx&#39;):<br>            self.data = pd.read_excel(self.filepath)<br>        print(f&quot;Veri yüklendi: {self.data.shape}&quot;)<br>        return self<br>    <br>    def clean_data(self):<br>        &quot;&quot;&quot;Eksik değerleri temizle ve duplikasyonları kaldır&quot;&quot;&quot;<br>        # Eksik değerleri doldur<br>        numeric_cols = self.data.select_dtypes(include=[np.number]).columns<br>        self.data[numeric_cols] = self.data[numeric_cols].fillna(<br>            self.data[numeric_cols].median()<br>        )<br>        <br>        # Duplikasyonları kaldır<br>        initial_rows = len(self.data)<br>        self.data.drop_duplicates(inplace=True)<br>        print(f&quot;{initial_rows - len(self.data)} duplike satır kaldırıldı&quot;)<br>        return self<br>    <br>    def feature_engineering(self):<br>        &quot;&quot;&quot;Yeni özellikler oluştur&quot;&quot;&quot;<br>        # Örnek: Tarih sütunundan yeni özellikler<br>        if &#39;date&#39; in self.data.columns:<br>            self.data[&#39;date&#39;] = pd.to_datetime(self.data[&#39;date&#39;])<br>            self.data[&#39;year&#39;] = self.data[&#39;date&#39;].dt.year<br>            self.data[&#39;month&#39;] = self.data[&#39;date&#39;].dt.month<br>            self.data[&#39;day_of_week&#39;] = self.data[&#39;date&#39;].dt.dayofweek<br>        <br>        return self<br>    <br>    def normalize_features(self, columns):<br>        &quot;&quot;&quot;Numerik özellikleri normalize et&quot;&quot;&quot;<br>        self.data[columns] = self.scaler.fit_transform(self.data[columns])<br>        print(f&quot;{len(columns)} sütun normalize edildi&quot;)<br>        return self<br>    <br>    def split_data(self, target_column, test_size=0.2):<br>        &quot;&quot;&quot;Train-test split yap&quot;&quot;&quot;<br>        X = self.data.drop(columns=[target_column])<br>        y = self.data[target_column]<br>        <br>        X_train, X_test, y_train, y_test = train_test_split(<br>            X, y, test_size=test_size, random_state=42<br>        )<br>        <br>        print(f&quot;Eğitim seti: {X_train.shape}, Test seti: {X_test.shape}&quot;)<br>        return X_train, X_test, y_train, y_test<br><br># Kullanım<br>if __name__ == &quot;__main__&quot;:<br>    pipeline = DataPipeline(&quot;sales_data.csv&quot;)<br>    pipeline.load_data() \<br>            .clean_data() \<br>            .feature_engineering() \<br>            .normalize_features([&#39;price&#39;, &#39;quantity&#39;, &#39;revenue&#39;])<br>    <br>    X_train, X_test, y_train, y_test = pipeline.split_data(&#39;target&#39;)</pre><blockquote><strong>AI Destekli Veri Analizi</strong></blockquote><p>Yapay zeka araçları, veri analizi sürecinin her aşamasında bize yardımcı olabilir:<br> <br> 1. Exploratory Data Analysis (EDA): Otomatik görselleştirme ve istatistiksel analizler<br> 2. Feature Selection: En önemli değişkenleri belirleme<br> 3. Model Selection: Hangi algoritmanın en uygun olduğunu önerme<br> 4. Hyperparameter Tuning: Otomatik optimizasyon<br> 5. Insight Generation: Veriden anlamlı çıkarımlar yapma</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6vZQrHvpkfmNONRGO3fVrg.jpeg" /></figure><blockquote><strong>Örnek: Otomatik EDA Aracı</strong></blockquote><p><strong><em>Claude Code ile otomatik EDA (Exploratory Data Analysis) aracı:</em></strong></p><pre># auto_eda.py - AI destekli otomatik keşif analizi<br>import pandas as pd<br>import matplotlib.pyplot as plt<br>import seaborn as sns<br>from scipy import stats<br>import warnings<br>warnings.filterwarnings(&#39;ignore&#39;)<br><br>class AutoEDA:<br>    &quot;&quot;&quot;Otomatik Keşif Veri Analizi&quot;&quot;&quot;<br>    <br>    def __init__(self, dataframe):<br>        self.df = dataframe<br>        self.report = {}<br>    <br>    def dataset_overview(self):<br>        &quot;&quot;&quot;Veri setine genel bakış&quot;&quot;&quot;<br>        self.report[&#39;shape&#39;] = self.df.shape<br>        self.report[&#39;columns&#39;] = list(self.df.columns)<br>        self.report[&#39;dtypes&#39;] = self.df.dtypes.to_dict()<br>        self.report[&#39;missing_values&#39;] = self.df.isnull().sum().to_dict()<br>        self.report[&#39;memory_usage&#39;] = f&quot;{self.df.memory_usage(deep=True).sum() / 1024**2:.2f} MB&quot;<br>        <br>        print(&quot;=&quot;*50)<br>        print(&quot;VERİ SETİ GENEL BAKIŞ&quot;)<br>        print(&quot;=&quot;*50)<br>        print(f&quot;Satır x Sütun: {self.report[&#39;shape&#39;]}&quot;)<br>        print(f&quot;Toplam Bellek: {self.report[&#39;memory_usage&#39;]}&quot;)<br>        print(f&quot;\nEksik Değerler:&quot;)<br>        for col, missing in self.report[&#39;missing_values&#39;].items():<br>            if missing &gt; 0:<br>                print(f&quot;  {col}: {missing} ({missing/len(self.df)*100:.1f}%)&quot;)<br>    <br>    def numerical_analysis(self):<br>        &quot;&quot;&quot;Numerik değişkenlerin analizi&quot;&quot;&quot;<br>        numeric_cols = self.df.select_dtypes(include=[&#39;int64&#39;, &#39;float64&#39;]).columns<br>        <br>        print(f&quot;\n{&#39;=&#39;*50}&quot;)<br>        print(&quot;NUMERİK DEĞİŞKENLER ANALİZİ&quot;)<br>        print(&quot;=&quot;*50)<br>        <br>        for col in numeric_cols:<br>            print(f&quot;\n{col}:&quot;)<br>            print(f&quot;  Ortalama: {self.df[col].mean():.2f}&quot;)<br>            print(f&quot;  Medyan: {self.df[col].median():.2f}&quot;)<br>            print(f&quot;  Std Sapma: {self.df[col].std():.2f}&quot;)<br>            print(f&quot;  Min: {self.df[col].min():.2f}&quot;)<br>            print(f&quot;  Max: {self.df[col].max():.2f}&quot;)<br>            <br>            # Normallik testi<br>            _, p_value = stats.normaltest(self.df[col].dropna())<br>            distribution = &quot;Normal&quot; if p_value &gt; 0.05 else &quot;Normal değil&quot;<br>            print(f&quot;  Dağılım: {distribution} (p={p_value:.4f})&quot;)<br>    <br>    def categorical_analysis(self):<br>        &quot;&quot;&quot;Kategorik değişkenlerin analizi&quot;&quot;&quot;<br>        cat_cols = self.df.select_dtypes(include=[&#39;object&#39;, &#39;category&#39;]).columns<br>        <br>        print(f&quot;\n{&#39;=&#39;*50}&quot;)<br>        print(&quot;KATEGORİK DEĞİŞKENLER ANALİZİ&quot;)<br>        print(&quot;=&quot;*50)<br>        <br>        for col in cat_cols:<br>            print(f&quot;\n{col}:&quot;)<br>            print(f&quot;  Benzersiz değer sayısı: {self.df[col].nunique()}&quot;)<br>            print(f&quot;  En sık görülen:&quot;)<br>            print(self.df[col].value_counts().head(5))<br>    <br>    def correlation_analysis(self):<br>        &quot;&quot;&quot;Korelasyon analizi&quot;&quot;&quot;<br>        numeric_df = self.df.select_dtypes(include=[&#39;int64&#39;, &#39;float64&#39;])<br>        <br>        if len(numeric_df.columns) &gt; 1:<br>            print(f&quot;\n{&#39;=&#39;*50}&quot;)<br>            print(&quot;KORELASYON ANALİZİ&quot;)<br>            print(&quot;=&quot;*50)<br>            <br>            corr_matrix = numeric_df.corr()<br>            <br>            # En yüksek korelasyonları bul<br>            high_corr = []<br>            for i in range(len(corr_matrix.columns)):<br>                for j in range(i+1, len(corr_matrix.columns)):<br>                    if abs(corr_matrix.iloc[i, j]) &gt; 0.7:<br>                        high_corr.append((<br>                            corr_matrix.columns[i],<br>                            corr_matrix.columns[j],<br>                            corr_matrix.iloc[i, j]<br>                        ))<br>            <br>            if high_corr:<br>                print(&quot;\nYüksek korelasyonlar (|r| &gt; 0.7):&quot;)<br>                for col1, col2, corr in high_corr:<br>                    print(f&quot;  {col1} &lt;-&gt; {col2}: {corr:.3f}&quot;)<br>            else:<br>                print(&quot;\nYüksek korelasyon bulunamadı.&quot;)<br>    <br>    def outlier_detection(self):<br>        &quot;&quot;&quot;Aykırı değer tespiti (IQR yöntemi)&quot;&quot;&quot;<br>        numeric_cols = self.df.select_dtypes(include=[&#39;int64&#39;, &#39;float64&#39;]).columns<br>        <br>        print(f&quot;\n{&#39;=&#39;*50}&quot;)<br>        print(&quot;AYKIRI DEĞER TESPİTİ&quot;)<br>        print(&quot;=&quot;*50)<br>        <br>        for col in numeric_cols:<br>            Q1 = self.df[col].quantile(0.25)<br>            Q3 = self.df[col].quantile(0.75)<br>            IQR = Q3 - Q1<br>            lower_bound = Q1 - 1.5 * IQR<br>            upper_bound = Q3 + 1.5 * IQR<br>            <br>            outliers = self.df[(self.df[col] &lt; lower_bound) | (self.df[col] &gt; upper_bound)]<br>            <br>            if len(outliers) &gt; 0:<br>                print(f&quot;\n{col}:&quot;)<br>                print(f&quot;  Aykırı değer sayısı: {len(outliers)} ({len(outliers)/len(self.df)*100:.1f}%)&quot;)<br>                print(f&quot;  Alt sınır: {lower_bound:.2f}&quot;)<br>                print(f&quot;  Üst sınır: {upper_bound:.2f}&quot;)<br>    <br>    def generate_visualizations(self, save_path=&#39;eda_plots.png&#39;):<br>        &quot;&quot;&quot;Otomatik görselleştirmeler&quot;&quot;&quot;<br>        numeric_cols = self.df.select_dtypes(include=[&#39;int64&#39;, &#39;float64&#39;]).columns<br>        <br>        if len(numeric_cols) &gt; 0:<br>            n_plots = min(4, len(numeric_cols))<br>            fig, axes = plt.subplots(2, 2, figsize=(12, 10))<br>            fig.suptitle(&#39;Otomatik Veri Görselleştirme&#39;, fontsize=16)<br>            <br>            # Histogram<br>            if len(numeric_cols) &gt;= 1:<br>                self.df[numeric_cols[0]].hist(ax=axes[0, 0], bins=30)<br>                axes[0, 0].set_title(f&#39;{numeric_cols[0]} - Dağılım&#39;)<br>            <br>            # Box plot<br>            if len(numeric_cols) &gt;= 2:<br>                self.df[numeric_cols[1]].plot(kind=&#39;box&#39;, ax=axes[0, 1])<br>                axes[0, 1].set_title(f&#39;{numeric_cols[1]} - Box Plot&#39;)<br>            <br>            # Scatter plot<br>            if len(numeric_cols) &gt;= 3:<br>                axes[1, 0].scatter(self.df[numeric_cols[0]], self.df[numeric_cols[2]])<br>                axes[1, 0].set_xlabel(numeric_cols[0])<br>                axes[1, 0].set_ylabel(numeric_cols[2])<br>                axes[1, 0].set_title(&#39;Scatter Plot&#39;)<br>            <br>            # Correlation heatmap<br>            if len(numeric_cols) &gt;= 2:<br>                sns.heatmap(self.df[numeric_cols].corr(), annot=True, <br>                           ax=axes[1, 1], cmap=&#39;coolwarm&#39;)<br>                axes[1, 1].set_title(&#39;Korelasyon Matrisi&#39;)<br>            <br>            plt.tight_layout()<br>            plt.savefig(save_path, dpi=300, bbox_inches=&#39;tight&#39;)<br>            print(f&quot;\nGörselleştirmeler kaydedildi: {save_path}&quot;)<br>    <br>    def run_full_analysis(self):<br>        &quot;&quot;&quot;Tüm analizleri çalıştır&quot;&quot;&quot;<br>        self.dataset_overview()<br>        self.numerical_analysis()<br>        self.categorical_analysis()<br>        self.correlation_analysis()<br>        self.outlier_detection()<br>        self.generate_visualizations()<br>        <br>        return self.report<br><br># Kullanım örneği<br>if __name__ == &quot;__main__&quot;:<br>    # Örnek veri seti<br>    df = pd.read_csv(&#39;your_data.csv&#39;)<br>    <br>    # Otomatik analiz<br>    eda = AutoEDA(df)<br>    report = eda.run_full_analysis()</pre><blockquote><strong>✨ En İyi Uygulamalar</strong></blockquote><p>AI araçlarını veri bilimi projelerinizde kullanırken dikkat etmeniz gereken noktalar:<br> <br><em> </em><strong><em>1. Kod Kalitesi ve Okunabilirlik</em></strong><br> • Claude Code ile üretilen kodu mutlaka gözden geçirin<br> • Docstring ve yorum satırları ekleyin<br> • PEP 8 standartlarına uygun kod yazın<br> <br><strong> <em>2. Versiyon Kontrolü</em></strong><br> • Git kullanımını ihmal etmeyin<br> • Anlamlı commit mesajları yazın<br> • Branch stratejisi oluşturun<br> <br><strong> <em>3. Test ve Dokümantasyon</em></strong><br> • Unit testler yazın (pytest, unittest)<br> • Integration testleri ekleyin<br> • README ve API dokümantasyonu oluşturun<br> <br><strong> <em>4. Veri Güvenliği ve Etik</em></strong><br> • Kişisel verileri koruyun (GDPR, KVKK)<br> • Model bias’ını kontrol edin<br> • Şeffaf ve açıklanabilir modeller geliştirin<br> <br><strong> <em>5. Performans Optimizasyonu</em></strong><br> • Vectorization kullanın (NumPy, Pandas)<br> • Gereksiz döngülerden kaçının<br> • Profiling araçları kullanın (cProfile, line_profiler)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/317/1*DoeoRy7ea4T5UysFTUtLGQ.jpeg" /></figure><blockquote><strong>Gerçek Dünya Örneği: Satış Tahmini</strong></blockquote><p><strong><em>Claude Code kullanarak gerçek bir veri bilimi projesini nasıl geliştirebileceğinize bakalım. E-ticaret sitesi için satış tahmini modeli:</em></strong></p><pre># sales_forecasting.py - E-ticaret satış tahmini<br>import pandas as pd<br>import numpy as np<br>from sklearn.ensemble import RandomForestRegressor, GradientBoostingRegressor<br>from sklearn.linear_model import LinearRegression<br>from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score<br>from sklearn.model_selection import cross_val_score<br>import matplotlib.pyplot as plt<br>import seaborn as sns<br><br>class SalesForecaster:<br>    &quot;&quot;&quot;Gelişmiş satış tahmin modeli&quot;&quot;&quot;<br>    <br>    def __init__(self):<br>        self.models = {<br>            &#39;linear&#39;: LinearRegression(),<br>            &#39;random_forest&#39;: RandomForestRegressor(n_estimators=100, random_state=42),<br>            &#39;gradient_boost&#39;: GradientBoostingRegressor(n_estimators=100, random_state=42)<br>        }<br>        self.best_model = None<br>        self.best_model_name = None<br>        self.feature_importance = None<br>    <br>    def prepare_features(self, df):<br>        &quot;&quot;&quot;Özellik mühendisliği&quot;&quot;&quot;<br>        df = df.copy()<br>        <br>        # Tarih özellikleri<br>        df[&#39;date&#39;] = pd.to_datetime(df[&#39;date&#39;])<br>        df[&#39;year&#39;] = df[&#39;date&#39;].dt.year<br>        df[&#39;month&#39;] = df[&#39;date&#39;].dt.month<br>        df[&#39;day_of_week&#39;] = df[&#39;date&#39;].dt.dayofweek<br>        df[&#39;quarter&#39;] = df[&#39;date&#39;].dt.quarter<br>        df[&#39;is_weekend&#39;] = df[&#39;day_of_week&#39;].isin([5, 6]).astype(int)<br>        <br>        # Lag özellikleri (geçmiş satış verileri)<br>        df[&#39;sales_lag_1&#39;] = df[&#39;sales&#39;].shift(1)<br>        df[&#39;sales_lag_7&#39;] = df[&#39;sales&#39;].shift(7)<br>        df[&#39;sales_lag_30&#39;] = df[&#39;sales&#39;].shift(30)<br>        <br>        # Hareketli ortalamalar<br>        df[&#39;sales_ma_7&#39;] = df[&#39;sales&#39;].rolling(window=7).mean()<br>        df[&#39;sales_ma_30&#39;] = df[&#39;sales&#39;].rolling(window=30).mean()<br>        <br>        # Trend<br>        df[&#39;trend&#39;] = range(len(df))<br>        <br>        # Sezonalite<br>        df[&#39;sin_month&#39;] = np.sin(2 * np.pi * df[&#39;month&#39;] / 12)<br>        df[&#39;cos_month&#39;] = np.cos(2 * np.pi * df[&#39;month&#39;] / 12)<br>        <br>        # Eksik değerleri temizle<br>        df.dropna(inplace=True)<br>        <br>        return df<br>    <br>    def train_and_evaluate(self, X_train, X_test, y_train, y_test):<br>        &quot;&quot;&quot;Tüm modelleri eğit ve karşılaştır&quot;&quot;&quot;<br>        results = {}<br>        <br>        print(&quot;=&quot;*70)<br>        print(&quot;MODEL KARŞILAŞTIRMASI&quot;)<br>        print(&quot;=&quot;*70)<br>        <br>        for name, model in self.models.items():<br>            # Eğitim<br>            model.fit(X_train, y_train)<br>            <br>            # Tahmin<br>            y_pred = model.predict(X_test)<br>            <br>            # Metrikler<br>            mae = mean_absolute_error(y_test, y_pred)<br>            rmse = np.sqrt(mean_squared_error(y_test, y_pred))<br>            r2 = r2_score(y_test, y_pred)<br>            <br>            # Cross-validation<br>            cv_scores = cross_val_score(model, X_train, y_train, <br>                                       cv=5, scoring=&#39;r2&#39;)<br>            <br>            results[name] = {<br>                &#39;model&#39;: model,<br>                &#39;mae&#39;: mae,<br>                &#39;rmse&#39;: rmse,<br>                &#39;r2&#39;: r2,<br>                &#39;cv_mean&#39;: cv_scores.mean(),<br>                &#39;cv_std&#39;: cv_scores.std()<br>            }<br>            <br>            print(f&quot;\n{name.upper()}&quot;)<br>            print(f&quot;  MAE: {mae:.2f}&quot;)<br>            print(f&quot;  RMSE: {rmse:.2f}&quot;)<br>            print(f&quot;  R²: {r2:.3f}&quot;)<br>            print(f&quot;  CV R² (mean ± std): {cv_scores.mean():.3f} ± {cv_scores.std():.3f}&quot;)<br>        <br>        # En iyi modeli seç<br>        best_name = max(results.keys(), key=lambda k: results[k][&#39;r2&#39;])<br>        self.best_model = results[best_name][&#39;model&#39;]<br>        self.best_model_name = best_name<br>        <br>        print(f&quot;\n{&#39;=&#39;*70}&quot;)<br>        print(f&quot;EN İYİ MODEL: {best_name.upper()}&quot;)<br>        print(&quot;=&quot;*70)<br>        <br>        return results<br>    <br>    def feature_importance_analysis(self, X, feature_names):<br>        &quot;&quot;&quot;Özellik önem analizi&quot;&quot;&quot;<br>        if hasattr(self.best_model, &#39;feature_importances_&#39;):<br>            importance = pd.DataFrame({<br>                &#39;feature&#39;: feature_names,<br>                &#39;importance&#39;: self.best_model.feature_importances_<br>            }).sort_values(&#39;importance&#39;, ascending=False)<br>            <br>            self.feature_importance = importance<br>            <br>            print(f&quot;\nÖZELLİK ÖNEMİ SIRALAMASI ({self.best_model_name}):&quot;)<br>            print(&quot;=&quot;*50)<br>            for idx, row in importance.head(10).iterrows():<br>                print(f&quot;  {row[&#39;feature&#39;]}: {row[&#39;importance&#39;]:.4f}&quot;)<br>            <br>            return importance<br>        else:<br>            print(&quot;Bu model özellik önem skorları sağlamıyor.&quot;)<br>            return None<br>    <br>    def visualize_predictions(self, y_test, y_pred, save_path=&#39;predictions.png&#39;):<br>        &quot;&quot;&quot;Tahminleri görselleştir&quot;&quot;&quot;<br>        fig, axes = plt.subplots(2, 2, figsize=(14, 10))<br>        fig.suptitle(f&#39;Satış Tahmin Analizi ({self.best_model_name})&#39;, fontsize=16)<br>        <br>        # Gerçek vs Tahmin<br>        axes[0, 0].scatter(y_test, y_pred, alpha=0.5)<br>        axes[0, 0].plot([y_test.min(), y_test.max()], <br>                        [y_test.min(), y_test.max()], &#39;r--&#39;, lw=2)<br>        axes[0, 0].set_xlabel(&#39;Gerçek Değerler&#39;)<br>        axes[0, 0].set_ylabel(&#39;Tahmin Değerleri&#39;)<br>        axes[0, 0].set_title(&#39;Gerçek vs Tahmin&#39;)<br>        <br>        # Residual plot<br>        residuals = y_test - y_pred<br>        axes[0, 1].scatter(y_pred, residuals, alpha=0.5)<br>        axes[0, 1].axhline(y=0, color=&#39;r&#39;, linestyle=&#39;--&#39;)<br>        axes[0, 1].set_xlabel(&#39;Tahmin Değerleri&#39;)<br>        axes[0, 1].set_ylabel(&#39;Residuals&#39;)<br>        axes[0, 1].set_title(&#39;Residual Plot&#39;)<br>        <br>        # Zaman serisi karşılaştırma<br>        axes[1, 0].plot(y_test.values[:100], label=&#39;Gerçek&#39;, marker=&#39;o&#39;)<br>        axes[1, 0].plot(y_pred[:100], label=&#39;Tahmin&#39;, marker=&#39;x&#39;)<br>        axes[1, 0].set_xlabel(&#39;Zaman&#39;)<br>        axes[1, 0].set_ylabel(&#39;Satış&#39;)<br>        axes[1, 0].set_title(&#39;Zaman Serisi Karşılaştırma (İlk 100 gün)&#39;)<br>        axes[1, 0].legend()<br>        <br>        # Özellik önemi<br>        if self.feature_importance is not None:<br>            top_features = self.feature_importance.head(10)<br>            axes[1, 1].barh(top_features[&#39;feature&#39;], top_features[&#39;importance&#39;])<br>            axes[1, 1].set_xlabel(&#39;Önem Skoru&#39;)<br>            axes[1, 1].set_title(&#39;En Önemli 10 Özellik&#39;)<br>        <br>        plt.tight_layout()<br>        plt.savefig(save_path, dpi=300, bbox_inches=&#39;tight&#39;)<br>        print(f&quot;\nGörselleştirmeler kaydedildi: {save_path}&quot;)<br>    <br>    def predict_future(self, X_future):<br>        &quot;&quot;&quot;Gelecek satışları tahmin et&quot;&quot;&quot;<br>        predictions = self.best_model.predict(X_future)<br>        return predictions<br><br># Kullanım örneği<br>if __name__ == &quot;__main__&quot;:<br>    # Veri yükleme<br>    df = pd.read_csv(&#39;sales_data.csv&#39;)<br>    <br>    # Forecaster oluştur<br>    forecaster = SalesForecaster()<br>    <br>    # Özellik mühendisliği<br>    df_processed = forecaster.prepare_features(df)<br>    <br>    # Train-test split<br>    train_size = int(len(df_processed) * 0.8)<br>    train = df_processed[:train_size]<br>    test = df_processed[train_size:]<br>    <br>    feature_cols = [col for col in df_processed.columns <br>                   if col not in [&#39;date&#39;, &#39;sales&#39;]]<br>    <br>    X_train = train[feature_cols]<br>    X_test = test[feature_cols]<br>    y_train = train[&#39;sales&#39;]<br>    y_test = test[&#39;sales&#39;]<br>    <br>    # Model eğitimi ve değerlendirme<br>    results = forecaster.train_and_evaluate(X_train, X_test, y_train, y_test)<br>    <br>    # Özellik önem analizi<br>    forecaster.feature_importance_analysis(X_train, feature_cols)<br>    <br>    # Görselleştirme<br>    y_pred = forecaster.best_model.predict(X_test)<br>    forecaster.visualize_predictions(y_test, y_pred)<br>    <br>    print(&quot;\n✅ Satış tahmin modeli başarıyla oluşturuldu!&quot;)</pre><blockquote><strong>Önerilen Araçlar ve Kaynaklar</strong></blockquote><p><strong><em>Veri bilimi projelerinizde kullanabileceğiniz modern araçlar:</em></strong><br> <br><strong><em> Python Kütüphaneleri:</em></strong><br> • Pandas: Veri manipülasyonu ve analizi<br> • NumPy: Numerik hesaplamalar<br> • Scikit-learn: Makine öğrenmesi algoritmaları<br> • TensorFlow / PyTorch: Derin öğrenme<br> • Matplotlib / Seaborn / Plotly: Görselleştirme<br> • Statsmodels: İstatistiksel modelleme<br> <br><strong><em> AI Kod Asistanları:</em></strong><br> • Claude Code: Terminal tabanlı AI kodlama asistanı<br> • GitHub Copilot: IDE entegrasyonu<br> • Cursor: AI destekli kod editörü<br> • Tabnine: Kod tamamlama<br> <br><strong><em> Veri Platformları:</em></strong><br> • Kaggle: Veri setleri ve yarışmalar<br> • Google Colab: Ücretsiz GPU ile notebook ortamı<br> • Jupyter: İnteraktif veri analizi<br> • Streamlit: Hızlı dashboard oluşturma<br> <br><strong><em> Versiyon Kontrolü ve İşbirliği:</em></strong><br> • Git / GitHub: Kod versiyonlama<br> • DVC (Data Version Control): Veri versiyonlama<br> • MLflow: ML experiment tracking<br> • Weights &amp; Biases: Model monitoring</p><blockquote><strong>Geleceğe Bakış: Veri Biliminde Yeni Trendler</strong></blockquote><p><strong><em>2026 ve sonrası için veri bilimi alanında öne çıkan trendler:<br></em></strong> <br><strong><em> 1. AutoML ve No-Code/Low-Code Platformlar</em></strong><br> AI araçları, makine öğrenmesi modellerini otomatik olarak optimize edebiliyor. Bu sayede domain uzmanları da kolayca model geliştirebilir.<br> <br><strong><em> 2. Explainable AI (XAI)</em></strong><br> Modellerin kararlarını açıklayabilen, şeffaf AI sistemleri giderek daha önemli hale geliyor. SHAP, LIME gibi araçlar standart haline geldi.<br> <br><strong><em> 3. Edge AI ve Federated Learning</em></strong><br> Verinin bulutta değil, kullanıcı cihazlarında işlenmesi gizlilik ve performans avantajları sağlıyor.<br> <br><strong><em> 4. LLM-Powered Analytics</em></strong><br> Claude, GPT-4 gibi büyük dil modelleri veri analizi ve raporlama süreçlerini demokratikleştiriyor.<br> <br><strong><em> 5. Real-Time Analytics</em></strong><br> Streaming veri işleme ve gerçek zamanlı tahminleme yetenekleri kritik hale geliyor.<br> <br><strong><em> 6. Synthetic Data Generation</em></strong><br> Gizlilik endişelerini gidermek ve veri eksikliğini çözmek için sentetik veri üretimi yaygınlaşıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Z9OMQa-giMXiej8bcse4CQ.png" /></figure><blockquote><strong>🎯 Sonuç</strong></blockquote><p><strong><em>AI araçları ve modern Python kütüphaneleri, veri bilimcilerin üretkenliğini katbekat artırıyor. Claude Code gibi araçlar sayesinde:</em></strong><br> <br> ✅ Daha hızlı kod yazıyoruz<br> ✅ Daha az hata yapıyoruz<br> ✅ Daha kaliteli dokümantasyon oluşturuyoruz<br> ✅ Daha fazla zamانımızı analiz ve problem çözmeye ayırabiliyoruz<br> <br> Ancak unutmayın: AI araçları birer yardımcıdır, yerini tutacak değildir. Domain bilgisi, problem çözme yeteneği ve kritik düşünme becerileriniz her zaman en değerli varlıklarınız olacak.<br> <br> Bu makalede paylaştığım kod örneklerini GitHub reponuzda saklayabilir, kendi projelerinizde kullanabilirsiniz. Sorularınız veya geri bildirimleriniz için benimle LinkedIn üzerinden iletişime geçebilirsiniz.<br> <br><strong> Happy coding!</strong> 🚀</p><p><strong>👏 Bu makaleyi beğendiyseniz, lütfen alkışlamayı ve paylaşmayı unutmayın!</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e13d3815702b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Türkiye’de Elektrikli Şarj Altyapısı ve EV Dağılımı — Aylık İnceleme]]></title>
            <link>https://medium.com/@emirhankaradag/t%C3%BCrkiyede-elektrikli-%C5%9Farj-altyap%C4%B1s%C4%B1-ve-ev-da%C4%9F%C4%B1l%C4%B1m%C4%B1-ayl%C4%B1k-i%CC%87nceleme-5fe30e6b6b29?source=rss-b1e1736f0705------2</link>
            <guid isPermaLink="false">https://medium.com/p/5fe30e6b6b29</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[sql-server]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <dc:creator><![CDATA[Emirhan Karadağ]]></dc:creator>
            <pubDate>Thu, 24 Jul 2025 13:14:56 GMT</pubDate>
            <atom:updated>2025-07-25T07:59:52.430Z</atom:updated>
            <content:encoded><![CDATA[<h3>Türkiye’de Elektrikli Şarj Altyapısı ve EV Dağılımı — Aylık İnceleme</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/319/1*IFYkk80YN97ft3OsqkWW2Q.jpeg" /></figure><p>Türkiye’de elektrikli araç kullanımı hızla artarken, şarj altyapısı da paralel bir büyüme gösteriyor. Bu yazıda:</p><ul><li>Aylık EV sayısı ve şarj noktası artışını,</li><li>İl bazında harita merkezli dağılımını,</li><li>EV/şarj noktası oranlarını,</li><li>Alt yapının şehir ve turistik bölgelerdeki yoğunlaşmasını,</li><li>Geleceğe yönelik önerileri analiz ediyoruz.</li></ul><blockquote><strong><em>Kullanılan Veri Setleri</em></strong></blockquote><p><strong>EPDK”nın aylık “Şarj Hizmeti Piyasası İstatistikleri” raporları sayesinde:</strong></p><ul><li>Haziran 2025 itibarıyla EV sayısı: 268 057 adet (aylık +8.4 %)</li><li>Şarj soketleri: 31 433 adet (AC: 18143 / DC: 13290)</li></ul><p><strong>AA, Webtekno, Bigpara gibi medya kaynakları sayesinde:</strong></p><ul><li>Şubat 2025’te toplam 11037 istasyon, 28159 soket</li><li>İstanbul: 2784 istasyon; Ankara 1213, Antalya 732, Bursa 532, İzmir 504</li></ul><p><strong>Tarihsel bağlam:</strong></p><ul><li>2023 sonunda 12067 istasyon, %185 artış</li><li>2025 Ocak sonunda 26941 soket</li></ul><blockquote><strong><em>Aylık Zaman Serisi Görselleştirme:</em></strong></blockquote><pre>import pandas as pd<br>import matplotlib.pyplot as plt<br>sns.set_theme()<br><br>df = pd.DataFrame({<br>    &#39;Ay&#39;: [&#39;Şub 2025&#39;, &#39;Nis 2025&#39;, &#39;May 2025&#39;, &#39;Haz 2025&#39;],<br>    &#39;EV&#39;: [198_000, 231_474, 247_344, 268_057],<br>    &#39;Toplam Soket&#39;: [28_159, 29_496, 30_680, 31_433]<br>})<br>plt.figure(figsize=(10,5))<br>sns.lineplot(data=df,x=&#39;Ay&#39;,y=&#39;EV&#39;,marker=&#39;o&#39;, label=&#39;EV Sayısı&#39;)<br>sns.lineplot(data=df,x=&#39;Ay&#39;,y=&#39;Toplam Soket&#39;,marker=&#39;s&#39;,label=&#39;Şarj Noktası&#39;)<br>plt.title(&#39;Aylık EV ve Şarj Noktası Artışı (2025)&#39;)<br>plt.ylabel(&#39;Adet&#39;)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RVOpt1Fd12TWiwarvynLBg.png" /></figure><p><strong>Ne buluyoruz?</strong> EV sayısı Şubat–Haziran döneminde +35%, soket sayısı ise +12% artmış.</p><blockquote><strong><em>İl Bazlı Haritalandırma:</em></strong></blockquote><p>Folium ile hazırladığımız harita, istasyon yoğunluklarını simge boyutlarıyla gösteriyor:</p><pre>import folium<br>import geopandas as gpd<br><br>tur = gpd.read_file(&#39;turkiye_il.geojson&#39;)<br>istasyon = pd.read_csv(&#39;il_istasyon.csv&#39;)<br>m = folium.Map([39,35], zoom_start=6)<br>tur = tur.merge(istasyon, on=&#39;il&#39;)<br>folium.Choropleth(<br>    geo_data=tur,<br>    data=tur,<br>    columns=(&#39;il&#39;, &#39;istasyon_sayisi&#39;),<br>    key_on=&#39;feature.properties.il&#39;,<br>    fill_color=&#39;YlOrRd&#39;,<br>    fill_opacity=0.7,<br>    line_opacity=0.2,<br>    legend_name=&#39;Şarj İstasyonu Sayısı&#39;<br>).add_to(m)<br>m.save(&#39;il_haritasi.html&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gATjbDujuBHIQjkP0fJivg.jpeg" /></figure><blockquote><strong><em>Gözlemler:</em></strong></blockquote><ul><li>İstanbul, Ankara, Antalya, İzmir ve Bursa öne çıkıyor.</li><li>Sahil ve turistik bölgelerde (Muğla, Aydın da) yoğunluk var.</li></ul><blockquote><strong><em>EV / Şarj Noktası Oranları:</em></strong></blockquote><p>Haziran 2025 itibarıyla Türkiye genelinde yaklaşık <strong>268057 EV / 31433 soket ≈ 8.5 EV / soket</strong> oranı mevcut. DC soket oranında Avrupa lideriyiz.</p><blockquote><strong><em>Aylık Elektrikli Araç ve Şarj Noktası Artışı (Sayısal Tablo)</em></strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/799/1*vgZkwxlcgc9gU5wYsqDB3g.png" /></figure><ul><li>Mayıs EV sayısı doğrudan belirtilmemiş, fakat Haziran’a giderken artış trendi var.</li></ul><blockquote><strong><em>Grafik: Aylık Büyüme Trendi:</em></strong></blockquote><pre>import pandas as pd<br>import matplotlib.pyplot as plt<br>import seaborn as sns<br><br>sns.set_style(&quot;whitegrid&quot;)<br>df = pd.DataFrame({<br>    &#39;Ay&#39;: [&#39;Şub&#39;, &#39;Mar&#39;, &#39;Nis&#39;, &#39;May&#39;, &#39;Haz&#39;],<br>    &#39;EV&#39;: [207989, 220258, 231474, 247000, 268057],<br>    &#39;Şarj&#39;: [28079, 28717, 29496, 30680, 31433]<br>})<br><br>fig, ax1 = plt.subplots(figsize=(10,6))<br>sns.lineplot(data=df, x=&#39;Ay&#39;, y=&#39;EV&#39;, marker=&#39;o&#39;, label=&#39;Elektrikli Araç&#39;, ax=ax1, color=&#39;blue&#39;)<br>ax2 = ax1.twinx()<br>sns.lineplot(data=df, x=&#39;Ay&#39;, y=&#39;Şarj&#39;, marker=&#39;s&#39;, label=&#39;Şarj Noktası&#39;, ax=ax2, color=&#39;orange&#39;)<br><br>ax1.set_ylabel(&quot;Elektrikli Araç Sayısı&quot;, color=&#39;blue&#39;)<br>ax2.set_ylabel(&quot;Şarj Noktası Sayısı&quot;, color=&#39;orange&#39;)<br>ax1.set_title(&quot;Ay Bazlı Elektrikli Araç ve Şarj Noktası Artışı (Şub–Haz 2025)&quot;)<br>ax1.legend(loc=&#39;upper left&#39;)<br>ax2.legend(loc=&#39;upper right&#39;)<br><br>plt.savefig(&#39;aylik_büyüme_trendi.png&#39;, dpi=300)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*PsKIfC4HnMcSlQy70kEjKg.png" /></figure><blockquote><strong><em>Model Bazlı Satış Rakamları (Haziran 2025)</em></strong></blockquote><p>Haziran 2025’te en çok satan elektrikli araç modelleri (Türkiye):</p><ul><li><strong>Tesla Model Y</strong>: 7235 adet</li><li><strong>Togg T10X</strong>: 3098 adet</li><li><strong>Citroën E‑C3 Aircross</strong>: 936 adet</li><li><strong>BYD Seal EV</strong>: 897 adet</li><li><strong>BYD Seal U EV</strong>: 886 adet</li><li><strong>BYD Atto 3</strong>: 875 adet</li><li><strong>Kia EV3</strong>: 771 adet</li><li><strong>MINI Countryman EV</strong>: 740 adet</li><li><strong>KGM Torres EVX</strong>: 730 adet</li><li><strong>Opel Frontera EV</strong>: 700 adet</li></ul><p><strong>Ayrıca ilk yarıda satılan toplam EV sayısı:</strong></p><ul><li><strong>Ocak–Mayıs 2025</strong>: 31330 adet</li><li><strong>Ocak–Haziran 2025</strong>: 85894 adet</li></ul><blockquote><strong><em>Değerlendirme &amp; Öneriler:</em></strong></blockquote><ul><li>Son 2 yılda EV sayısında katlanarak artmış (2023 sonu 80 k → Haz 2025 268 k)</li><li>Şarj altyapısı da buna ilk etapta ayak uydurmuş, şehir ve transit bölgelerde iyi dağılım.</li></ul><blockquote><strong><em>Dikkat çekilmesi gereken noktalar:</em></strong></blockquote><ul><li>EV büyümesi (+8.4%) soket artışına (+2.4%) göre daha hızlı. 2025 sonuna kadar EV başına düşen soket sayısı düşebilir.</li><li>Büyükşehir dışındaki illere altyapı açılımı için teşvik gerekebilir.</li></ul><blockquote><strong><em>Öneriler:</em></strong></blockquote><ol><li>DC şarj kapasitesinin artırılması,</li><li>Anadolu ve kırsal bölgelerde altyapı teşvik programları,</li><li>EV başına düşen soket oranı %8’lik EV pazar payına ulaştığında 6–7 EV/soket hedeflenmeli.</li></ol><blockquote><strong><em>Sonuç:</em></strong></blockquote><p>Türkiye’de hem EV hem şarj altyapısı büyük ivme yakalamış durumda. Ancak önümüzdeki dönemde altyapı yatırımlarının EV büyümesine uyumlu şekilde hızlanması şart. Özellikle DC noktalarını artırmak ve Anadolu’ya yayılması kritik.</p><p>Umarım sizin için faydalı bir yazı olmuştur. Okuduğunuz için teşekkürler.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5fe30e6b6b29" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[İklim değişikliği artık sadece kutuplarda eriyen buzullar ya da uzak coğrafyalarda yaşanan seller…]]></title>
            <link>https://medium.com/@emirhankaradag/i%CC%87klim-de%C4%9Fi%C5%9Fikli%C4%9Fi-art%C4%B1k-sadece-kutuplarda-eriyen-buzullar-ya-da-uzak-co%C4%9Frafyalarda-ya%C5%9Fanan-seller-59f58a81576f?source=rss-b1e1736f0705------2</link>
            <guid isPermaLink="false">https://medium.com/p/59f58a81576f</guid>
            <category><![CDATA[climate-change]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[open-data]]></category>
            <category><![CDATA[sql-server]]></category>
            <dc:creator><![CDATA[Emirhan Karadağ]]></dc:creator>
            <pubDate>Thu, 26 Jun 2025 08:20:18 GMT</pubDate>
            <atom:updated>2025-06-26T08:20:18.761Z</atom:updated>
            <content:encoded><![CDATA[<blockquote><strong><em>Türkiye’de 10 Yıllık Hava Durumu Analizi: Python ile İklim Değişikliğini Anlamak</em></strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/299/1*8cY9eR3Ek1l8posK_U97Rw.jpeg" /></figure><p><em>İklim değişikliği artık sadece kutuplarda eriyen buzullar ya da uzak coğrafyalarda yaşanan seller değil. İstanbul’da artan sıcak geceler, Erzurum’da kısalan kar sezonları da bu değişimin ayak sesleri. Peki elimizdeki veriler bize neler söylüyor?</em></p><p><em>Bu yazıda, Python ve Open-Meteo API kullanarak Türkiye’nin 5 büyük şehrindeki son 10 yıllık sıcaklık değişimlerini inceledim. Amaç sadece grafik çizmek değil; veriyi anlamak, yorumlamak ve iklimin değişen yüzünü rakamlarla görmek.</em></p><blockquote><strong>🌐 Veri Kaynağı: Open-Meteo Archive API</strong></blockquote><p><em>Bu analizde kullandığım </em><strong><em>Open-Meteo Archive API</em></strong><em>, tarihsel hava durumu verilerini tamamen </em><strong><em>ücretsiz</em></strong><em> sunan açık bir platform.<br>Kayıt gerektirmez, API anahtarı istemez ve günlük bazda şu verileri sağlar:</em></p><ul><li><em>Maksimum sıcaklık (°C)</em></li><li><em>Minimum sıcaklık (°C)</em></li><li><em>Günlük toplam yağış (mm)</em></li></ul><p><em>Veriler, </em><strong><em>ERA5 Reanalysis</em></strong><em> modeline dayanmaktadır ve bilimsel çalışmalar için de sıkça kullanılır.</em></p><blockquote><strong>🛠 Kullanılan Teknolojiler</strong></blockquote><ul><li><strong><em>Python 3.x</em></strong></li><li><em>Kütüphaneler: </em><em>requests, </em><em>pandas, </em><em>matplotlib, </em><em>seaborn</em></li><li><em>Veri kaynağı: </em><a href="https://open-meteo.com/"><em>Open-Meteo Archive API</em></a></li></ul><blockquote><strong>🏙️ İncelenen Şehirler</strong></blockquote><p><em>Türkiye’nin coğrafi ve iklimsel çeşitliliğini yansıtması için 5 şehir seçtim:</em></p><ul><li><strong><em>İstanbul</em></strong><em> (Marmara — Kıyı, Nemli)</em></li><li><strong><em>Ankara</em></strong><em> (İç Anadolu — Karasal)</em></li><li><strong><em>İzmir</em></strong><em> (Ege — Sıcak Akdeniz)</em></li><li><strong><em>Antalya</em></strong><em> (Akdeniz — Tropikal eğilimli)</em></li><li><strong><em>Erzurum</em></strong><em> (Doğu Anadolu — Sert Karasal)</em></li></ul><blockquote><strong>📥 Veri Çekme: Kod Örneği</strong></blockquote><p><em>Open-Meteo’dan veri çekmek oldukça basit. Aşağıdaki fonksiyon, bir şehir için bir yılın tüm verilerini getirir:</em></p><pre>import requests<br>import pandas as pd<br><br>def fetch_weather_data(lat, lon, year):<br>    url = (<br>        f&quot;https://archive-api.open-meteo.com/v1/archive?&quot;<br>        f&quot;latitude={lat}&amp;longitude={lon}&quot;<br>        f&quot;&amp;start_date={year}-01-01&amp;end_date={year}-12-31&quot;<br>        f&quot;&amp;daily=temperature_2m_max,temperature_2m_min,precipitation_sum&quot;<br>        f&quot;&amp;timezone=Europe%2FIstanbul&quot;<br>    )<br>    response = requests.get(url)<br>    data = response.json()<br>    df = pd.DataFrame(data[&#39;daily&#39;])<br>    df[&#39;date&#39;] = pd.to_datetime(df[&#39;time&#39;])<br>    df.set_index(&#39;date&#39;, inplace=True)<br>    return df</pre><p><em>Tüm yıllar için döngüyle veri çekip birleştirerek analize başlıyoruz.</em></p><blockquote><strong>📊 Sıcaklık Trendleri (2015–2024)</strong></blockquote><p><em>Verileri yıllık olarak gruplayarak her şehir için ortalama maksimum sıcaklıkları çıkardım.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/529/0*taNWxWnkO2VMk7Yr.PNG" /><figcaption>2020</figcaption></figure><blockquote><strong>🔥 Öne Çıkan Bulgular:</strong></blockquote><ul><li><strong><em>İstanbul</em></strong><em>, </em><strong><em>İzmir</em></strong><em> ve </em><strong><em>Antalya</em></strong><em> gibi kıyı şehirlerinde sıcaklıklar </em><strong><em>net şekilde artıyor</em></strong><em>.</em></li><li><strong><em>Ankara</em></strong><em>, artış gösterse de daha ılımlı bir seyir izliyor.</em></li><li><strong><em>Erzurum</em></strong><em>’da </em><strong><em>dalgalı</em></strong><em> ama yüksek ekstremli yıllar öne çıkıyor.</em></li></ul><blockquote><strong>🌧️ Yağış Trendleri</strong></blockquote><p><em>Analizime </em><strong><em>yağış verilerini</em></strong><em> de dahil ettim. Bazı şehirlerde toplam yağış miktarında </em><strong><em>azalma eğilimi</em></strong><em> görülüyor:</em></p><ul><li><strong><em>İzmir ve Antalya</em></strong><em>: Kış yağışları azalıyor, yaz kuraklığı belirginleşiyor.</em></li><li><strong><em>Erzurum</em></strong><em>: Kar yağışında dalgalanma, ilkbaharda daha erken erime gözlemleniyor.</em></li></ul><pre># Toplam yağışı yıllık gruplayarak görebilirsiniz<br>df.groupby(df.index.year)[&#39;precipitation_sum&#39;].sum().plot(kind=&#39;bar&#39;)</pre><blockquote><strong>🧠 Derinlemesine İçgörüler</strong></blockquote><blockquote><strong>🔺 40°C Üzeri Gün Sayısı</strong></blockquote><p><em>Özellikle </em><strong><em>Antalya ve İzmir</em></strong><em>’de 40°C’yi aşan gün sayılarında net artış gözlendi. Bu da ekstrem hava olaylarının arttığını gösteriyor.</em></p><blockquote><strong>🌡️ Minimum Sıcaklık Artışı</strong></blockquote><p><em>Kış aylarındaki minimum sıcaklıklar da yükseliyor. Bu durum </em><strong><em>don olaylarının azalması</em></strong><em> ve </em><strong><em>tarım dengesinin bozulması</em></strong><em> anlamına gelebilir.</em></p><blockquote><strong>🌍 Türkiye vs. Dünya</strong></blockquote><p><em>IPCC’ye göre 2011–2020 döneminde </em><strong><em>dünya ortalama sıcaklığı</em></strong><em>, sanayi öncesi döneme kıyasla </em><strong><em>1.1°C artmış durumda</em></strong><em>.<br>Türkiye’de ise bazı şehirlerde bu artış </em><strong><em>1.5°C’ye yaklaşıyor.</em></strong><em> Bu da küresel ortalamanın üzerinde bir değişim hızına işaret ediyor.</em></p><blockquote>🔧 <strong>İklim Tipine Göre Gruplama (Bonus Analiz)</strong></blockquote><p><em>Şehirleri iklim tipine göre gruplayarak, aşağıdaki gibi bir tablo oluşturabilirsiniz:</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/652/1*ZZ9GAkwd9Ju4CH05Jt7IeQ.png" /></figure><blockquote>💬<strong> Sonuç: Kodla Gelen Farkındalık</strong></blockquote><p><em>Python gibi güçlü araçlar ve açık veri kaynakları sayesinde, </em><strong><em>iklim değişikliği herkesin analiz edebileceği bir konu haline geldi.</em></strong><em><br>Bu projeyle;</em></p><ul><li><em>Kendi şehrinizin sıcaklık geçmişini analiz edebilirsiniz.</em></li><li><em>Belediyeler ve STK’lar açık verileri kullanarak farkındalık çalışmaları yapabilir.</em></li><li><em>Öğrenciler eğitim projelerinde gerçek verilerle çalışmayı öğrenebilir.</em></li></ul><blockquote><strong>📌 Kapanış</strong></blockquote><p><em>Bu analiz hem düşündürücü hem de eğitici bir süreçti. Umarım sizin için de ilham verici olur. Kendi şehrinizle başlayın ve değişimi gözlerinizle görün. 🌱</em></p><p><em>📬 Geri bildirimleriniz ya da katkılarınız varsa yorumlara yazabilirsiniz.</em></p><p><em>Umarım sizin için faydalı bir yazı olmuştur. Okuduğunuz için teşekkürler.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=59f58a81576f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Günümüzde veri dünyası, hacmi ve karmaşıklığı hızla artan verilerle şekilleniyor.]]></title>
            <link>https://medium.com/@emirhankaradag/g%C3%BCn%C3%BCm%C3%BCzde-veri-d%C3%BCnyas%C4%B1-hacmi-ve-karma%C5%9F%C4%B1kl%C4%B1%C4%9F%C4%B1-h%C4%B1zla-artan-verilerle-%C5%9Fekilleniyor-d6cddae645ef?source=rss-b1e1736f0705------2</link>
            <guid isPermaLink="false">https://medium.com/p/d6cddae645ef</guid>
            <category><![CDATA[sql]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <category><![CDATA[mlp]]></category>
            <category><![CDATA[data-analysis]]></category>
            <dc:creator><![CDATA[Emirhan Karadağ]]></dc:creator>
            <pubDate>Mon, 23 Jun 2025 11:31:34 GMT</pubDate>
            <atom:updated>2025-06-23T11:31:34.194Z</atom:updated>
            <content:encoded><![CDATA[<blockquote><strong><em>BI’da Derin Öğrenmenin Temel Taşı: MLP</em></strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/0*pD3zEJcCVxKV79jE.jpg" /></figure><p><em>Günümüzde veri dünyası, hacmi ve karmaşıklığı hızla artan verilerle şekilleniyor. Bu noktada, Business Intelligence (BI) uzmanları olarak sadece veriyi toplamak değil, aynı zamanda veriden anlamlı öngörüler çıkarıp karar destek süreçlerini güçlendirmek bizim önceliğimiz. İşte tam bu aşamada, yapay zeka ve makine öğrenmesi yöntemleri devreye giriyor.</em></p><p><em>Bugünkü yazımda, BI projelerinde sıkça karşılaşabileceğiniz ve derin öğrenmenin en temel yapı taşlarından biri olan </em><strong><em>Multi-Layer Perceptron (MLP)</em></strong><em> kavramını anlatacağım. MLP’nin ne olduğunu, nasıl çalıştığını ve BI’da nasıl kullanabileceğinizi adım adım ele alacağız.</em></p><blockquote><strong>MLP Nedir?</strong></blockquote><p><em>Multi-Layer Perceptron, kısaca MLP, yapay sinir ağlarının en klasik ve temel modelidir. MLP, birden fazla katmandan oluşur:</em></p><ul><li><strong><em>Girdi katmanı (input layer):</em></strong><em> İşlemek istediğimiz ham verinin girdiği katman,</em></li><li><strong><em>Bir veya daha fazla gizli katman (hidden layers):</em></strong><em> Verinin karmaşıklığını modellediğimiz ve soyutlama yaptığımız katmanlar,</em></li><li><strong><em>Çıktı katmanı (output layer):</em></strong><em> Son tahminlerin, sınıflandırmaların veya regresyon sonuçlarının çıktığı katman.</em></li></ul><p><em>Her katmandaki </em><strong><em>nöronlar</em></strong><em>, kendilerine gelen verileri ağırlıklarla çarpar, toplar ve bir aktivasyon fonksiyonuyla işler. Bu sayede MLP, doğrusal olmayan ve karmaşık ilişkileri öğrenebilir.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*wV-KQToCtOe98xO6" /></figure><blockquote><strong>MLP Nasıl Çalışır? BI Perspektifinden</strong></blockquote><p><em>BI projelerinde, genellikle satış tahminleri, müşteri segmentasyonu, churn (kaybetme) analizi veya talep öngörüsü gibi problemlerle karşılaşırız. İşte MLP bu tür problemler için oldukça uygundur.</em></p><ol><li><strong><em>Veri Hazırlığı:</em></strong><em> BI süreçlerinde veriyi ETL (Extract, Transform, Load) ile hazırlarız. MLP modeline girdi olarak sağlanacak özelliklerin (feature) doğru seçilmesi ve ölçeklendirilmesi önemlidir.</em></li><li><strong><em>Model Eğitimi:</em></strong><em> MLP, ileri yayılım (forward propagation) ile tahmin yapar, ardından geri yayılım (backpropagation) ile hatalarını hesaplayıp ağırlıklarını optimize eder.</em></li><li><strong><em>Tahmin ve Öngörüler:</em></strong><em> Eğitilen MLP modeli, yeni veriler için tahminlerde bulunur. Örneğin, müşterinin aboneliğini iptal edip etmeyeceği (churn tahmini), gelecekteki satış miktarı, ya da segment bilgisi.</em></li></ol><blockquote><strong>BI’da MLP Kullanım Örnekleri</strong></blockquote><p><strong><em>1. Churn Tahmini</em></strong></p><p><em>Bir telekom şirketinde, müşterilerin aboneliklerini iptal edip etmeyeceğini tahmin etmek kritik bir görevdir. MLP, müşterinin kullanım alışkanlıkları, fatura geçmişi, çağrı kayıtları gibi çok sayıda veriyi işleyerek yüksek doğrulukla churn ihtimalini tahmin edebilir.</em></p><p><strong><em>2. Satış Tahmini</em></strong></p><p><em>Geçmiş satış verileri ve promosyon, sezon gibi ek faktörler MLP’ye verilerek, gelecek dönem satışlarının tahmini yapılabilir. Bu da stok yönetimini ve pazarlama stratejilerini iyileştirir.</em></p><p><strong><em>3. Müşteri Segmentasyonu</em></strong></p><p><em>Müşterileri demografik ve davranışsal özelliklerine göre sınıflandırmak için MLP kullanılabilir. Böylece her segmente özel kampanya stratejileri geliştirilebilir.</em></p><blockquote><strong>Neden MLP?</strong></blockquote><ul><li><strong><em>Karmaşık ilişkileri yakalama:</em></strong><em> MLP, doğrusal modellerin göremediği karmaşık kalıpları öğrenebilir.</em></li><li><strong><em>Esneklik:</em></strong><em> Birden fazla gizli katman ve farklı aktivasyon fonksiyonlarıyla özelleştirilebilir.</em></li><li><strong><em>Endüstride yaygın:</em></strong><em> Python kütüphaneleri (TensorFlow, PyTorch, Scikit-learn) ile kolayca uygulanabilir.</em></li></ul><blockquote><strong>Basit Bir Python MLP Örneği</strong></blockquote><pre>from sklearn.neural_network import MLPClassifier<br>from sklearn.model_selection import train_test_split<br>from sklearn.datasets import load_breast_cancer<br>from sklearn.metrics import accuracy_score<br><br># Veri seti yükleniyor<br>data = load_breast_cancer()<br>X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2, random_state=42)<br><br># MLP modeli oluşturuluyor<br>mlp = MLPClassifier(hidden_layer_sizes=(50, 20), max_iter=500, activation=&#39;relu&#39;)<br><br># Model eğitiliyor<br>mlp.fit(X_train, y_train)<br><br># Tahmin yapılıyor<br>y_pred = mlp.predict(X_test)<br><br># Başarı oranı<br>print(&quot;Doğruluk Oranı:&quot;, accuracy_score(y_test, y_pred))</pre><blockquote><strong>Sonuç</strong></blockquote><p><em>Bir BI uzmanı olarak, veri analizinin ötesinde, yapay zekanın gücünü kullanmak sizi ve kurumunuzu rekabette bir adım öne çıkarır. MLP gibi temel derin öğrenme modellerini anlamak ve projelerinizde uygulamak, daha doğru öngörüler yapmanızı sağlar.</em></p><p><em>Eğer işinizde müşteri davranışlarını, satış trendlerini ya da operasyonel süreçleri daha iyi analiz etmek istiyorsanız, MLP modelini öğrenmeye başlayarak BI projelerinizde fark yaratabilirsiniz.</em></p><p><em>Umarım sizin için faydalı bir yazı olmuştur. Okuduğunuz için teşekkürler.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d6cddae645ef" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Günümüzde yapay zeka, otomasyonu bir üst seviyeye taşıyarak AI Agent (Yapay Zeka Ajanları)…]]></title>
            <link>https://medium.com/@emirhankaradag/g%C3%BCn%C3%BCm%C3%BCzde-yapay-zeka-otomasyonu-bir-%C3%BCst-seviyeye-ta%C5%9F%C4%B1yarak-ai-agent-yapay-zeka-ajanlar%C4%B1-a1c7af26139e?source=rss-b1e1736f0705------2</link>
            <guid isPermaLink="false">https://medium.com/p/a1c7af26139e</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <category><![CDATA[sql]]></category>
            <dc:creator><![CDATA[Emirhan Karadağ]]></dc:creator>
            <pubDate>Wed, 19 Feb 2025 12:44:42 GMT</pubDate>
            <atom:updated>2025-02-19T12:44:42.569Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KTiyI7VWvnfRE4iNlmZzSQ.png" /></figure><blockquote><strong>AI Agent Nedir ve Nasıl Oluşturulur?</strong></blockquote><p><em>Günümüzde yapay zeka, otomasyonu bir üst seviyeye taşıyarak AI Agent (Yapay Zeka Ajanları) kavramını hayatımıza soktu. AI Agent’lar, belirli görevleri yerine getirebilen, öğrenebilen ve çevreleriyle etkileşime girebilen yazılım veya donanım tabanlı yapay zeka sistemleridir. Peki, AI Agent nedir, nasıl çalışır ve nasıl oluşturulur? Bu yazımızda tüm detaylarıyla ele alacağız.</em></p><blockquote><strong>AI Agent Nedir?</strong></blockquote><p><em>AI Agent, çevresinden veri toplayarak belirli görevleri yerine getiren, karar mekanizmaları olan ve genellikle öğrenme yeteneğine sahip yapay zeka sistemleridir. Bu ajanlar; müşteri hizmetlerinden, otomasyon sistemlerine, oyun yapay zekalarından, kişisel asistanlara kadar geniş bir kullanım alanına sahiptir.</em></p><blockquote><strong>AI Agent Türleri</strong></blockquote><ol><li><strong><em>Reaktif Ajanlar:</em></strong><em> Önceden tanımlanmış kurallara göre hareket ederler. (Örnek: Basit oyun botları)</em></li><li><strong><em>Durumsal Ajanlar:</em></strong><em> Geçmiş deneyimlerini hatırlayarak aksiyon alırlar. (Örnek: Öneri sistemleri)</em></li><li><strong><em>Hedef Odaklı Ajanlar:</em></strong><em> Belirli bir hedefi gerçekleştirmek için optimize edilirler. (Örnek: Otonom araçlar)</em></li><li><strong><em>Öğrenen Ajanlar:</em></strong><em> Deneyimlerden öğrenerek zamanla daha iyi kararlar alırlar. (Örnek: ChatGPT gibi modeller)</em></li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/860/1*Ri5uH2WHhfMFGOnHBj-AZA.png" /></figure><blockquote><strong>AI Agent Nasıl Oluşturulur?</strong></blockquote><p><em>Bir AI Agent geliştirmek için aşağıdaki adımları takip edebilirsiniz:</em></p><p><strong><em>1. Problemi Tanımlayın</em></strong></p><p><em>Öncelikle, AI Agent’ın hangi sorunu çözeceğini belirlemek önemlidir. Örneğin, müşteri hizmetlerini otomatize eden bir bot mu yapacaksınız, yoksa veri analizi yapan bir sistem mi geliştireceksiniz?</em></p><p><strong><em>2. Gerekli Araçları ve Teknolojileri Seçin</em></strong></p><p><em>AI Agent geliştirmek için kullanılan popüler araçlar şunlardır:</em></p><ul><li><strong><em>Python</em></strong><em> (En yaygın dil)</em></li><li><strong><em>TensorFlow, PyTorch</em></strong><em> (Makine öğrenimi kütüphaneleri)</em></li><li><strong><em>OpenAI GPT API, LangChain</em></strong><em> (Doğal dil işleme ve yapay zeka modelleri)</em></li><li><strong><em>Rasa, Dialogflow</em></strong><em> (Konuşma tabanlı AI Agent geliştirme)</em></li></ul><p><strong><em>3. Veri Toplayın ve İşleyin</em></strong></p><p><em>AI Agent’ınızın iyi çalışması için kaliteli verilere ihtiyacı vardır. Bu veriler manuel olarak toplanabilir veya API’lerden çekilebilir.</em></p><p><strong><em>4. Modeli Eğitin</em></strong></p><p><em>Seçilen veri setiyle modelinizi eğitmelisiniz. Örneğin, bir müşteri hizmetleri AI Agent’ı geliştiriyorsanız, geçmiş müşteri konuşmalarını analiz eden bir makine öğrenimi modeli eğitebilirsiniz.</em></p><p><strong><em>5. Ajanı Test Edin ve Optimize Edin</em></strong></p><p><em>Ajanın çıktıları test edilmeli, hatalar düzeltilmeli ve sürekli iyileştirme sürecine alınmalıdır.</em></p><p><strong><em>6. Dağıtım ve Entegrasyon</em></strong></p><p><em>Eğitilen model API olarak yayınlanabilir veya doğrudan bir sisteme entegre edilebilir.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zISBk-Tlqoo4kSsrYG76kA.jpeg" /></figure><blockquote><strong>Gerçek Hayatta AI Agent Kullanım Örnekleri</strong></blockquote><ol><li><strong><em>Chatbotlar:</em></strong><em> Şirketlerin müşteri destek süreçlerini yöneten AI Agent’lar</em></li><li><strong><em>Otonom Araçlar:</em></strong><em> Tesla’nın sürücüsüz otomobilleri gibi AI tabanlı sistemler</em></li><li><strong><em>Finans Analitiği:</em></strong><em> Hisse senedi tahminleri yapan yapay zeka modelleri</em></li><li><strong><em>Sağlık Sektörü:</em></strong><em> Hastalık teşhis eden AI sistemleri</em></li></ol><blockquote><strong>AI Agent’ların Geleceği</strong></blockquote><p><em>AI Agent teknolojileri gün geçtikçe daha akıllı hale geliyor. Özellikle, otonom karar verebilen sistemler ve insana daha yakın etkileşim kurabilen yapılar, önümüzdeki yıllarda daha da yaygınlaşacak. OpenAI ve benzeri kuruluşların geliştirdiği sistemler, AI Agent’ların insanlarla daha etkili bir şekilde iletişim kurmasına yardımcı olacak.</em></p><p><em>Sonuç olarak, AI Agent’lar gelecekte daha fazla sektörde yer alacak ve iş süreçlerini büyük ölçüde dönüştürecek. Siz de bu teknolojiye adım atarak kendi AI Agent’ınızı geliştirmeye başlayabilirsiniz!</em></p><p><em>Umarım sizin için faydalı bir yazı olmuştur. Okuduğunuz için teşekkürler.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a1c7af26139e" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>